【技术实现步骤摘要】
使用复值矢量自回归的多步提前预测
本专利技术一般涉及数据处理，并且更具体地，涉及使用复值矢量自回归的多步提前预测。
技术介绍
矢量自回归(VAR)是等式，n变量线性模型，其中每个变量依次由其自身的滞后值加上剩余n-1个变量的当前值和过去值来解释。也就是说，矢量自回归(VAR(p))是时间序列模型，它通过学习回归模型提供基于先前p观测的一步提前预测，在该回归模型中过去的观测是预测器，并且预测是响应。基于VAR模型的N步提前预测有两种主要方法，如下：递归和直接的方法。在递归方法中，对于每个未来时间步(timestep)，VAR模型基于先前的预测和观测进行一步提前预测。在直接方法中，使用多个VAR，其中第n个VAR预测第N步提前。然而，虽然在某些情况下优于直接方法，但递归模型并非没有缺陷。例如，关于递归方法，当N很大时，因为递归预测导致发散或收敛到零，所以递归方法不能进行准确的预测。因此，需要改进的基于VAR的用于多步提前预测的递归方法。
技术实现思路
根据本专利技术的一个方面，提供了一种用于多...
【技术保护点】
1.一种用于多步提前预测的计算机实现的方法，包括：/n由处理器设备配置矢量自回归(VAR)模型以基于先前的观测来生成多步提前预测，其中，所述先前的观测是预测器，并且所述多步提前预测是对所述预测器的响应；以及/n由所述处理器设备使用复值权重参数训练所述VAR模型，以避免与发散和收敛到零的任一个相关的训练结果。/n
【技术特征摘要】
20181011 US 16/1575291.一种用于多步提前预测的计算机实现的方法，包括：
由处理器设备配置矢量自回归(VAR)模型以基于先前的观测来生成多步提前预测，其中，所述先前的观测是预测器，并且所述多步提前预测是对所述预测器的响应；以及
由所述处理器设备使用复值权重参数训练所述VAR模型，以避免与发散和收敛到零的任一个相关的训练结果。
2.根据权利要求1所述的计算机实现的方法，其中，所述多步提前预测进一步基于多步累积误差来生成。
3.根据权利要求1所述的计算机实现的方法，其中，所述训练步骤包括使用多步累积误差作为所述VAR模型的目标函数来学习所述VAR模型。
4.根据权利要求3所述的计算机实现的方法，其中，所述多步累积误差累积在多个时间步上的所述VAR模型的至少一个变量的误差。
5.根据权利要求3所述的计算机实现的方法，其中，所述学习步骤将所述复值权重参数更新为所述多步累积误差的负梯度。
6.根据权利要求1所述的计算机实现的方法，其中，所述VAR模型的输出取自所述VAR模型的复值输出的实部，同时忽略来自所述VAR模型的所述复值输出的虚部。
7.根据权利要求1所述的计算机实现的方法，进一步包括：执行推理步骤以基于一组先前的观测，通过仅提取所述多步提前预测的实部而没有虚部来生成所述多步提前预测的最终版本。
8.根据权利要求1所述的计算机实现的方法，进一步包括：响应于所述多步提前预测，控制装配线机器的操作以避免即将发生的预测故障。
9.根据权利要求1所述的计算机实现的方法，其中，使用具有带有虚数项的复值权重参数的损失函数来训练所述VAR模型。
10.根据权利要求1所述的计算机实现的方法，其中，每个所述预测器包括相应的实部和相应的虚部，并且其中，所述多步提前预测仅基于所述预测器的所述相应的实部。
11.一种用于多步提前预测的计算机程序产品，所述计算机程序产品包括非暂态计算机可读存储介质，所述非暂态计算机可读存储介质具有其所包含的程序指令，所述程序指令能够由计算机执行以使所述计算机执行包括以下的方法：
由处理器设备配置矢量自回归(VAR)模型以基于先前的观测来生成多步提前预测，其中，所述先前的观测是预测器，并且所述多步提前预测是对所述预测器的响应；以及
由所述处理器设备使用复值权重参数训练所述VAR模型，以避免与发散和收敛到零的任一个相关的训练结果。
12.根据权利要求11所述的计算机程序产品，其中，所述多步提前预测进一步基于多步累积误差来生成。
13.根据权利要求11所述的计算机程序产品，其中，所述训练步骤包括使用多步累积误差作为所述VAR模型的目标函数来学习所述VAR模型。
14.根据权利要求13所述的计算机程序产品，其中，所述多步累...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。