一种基于贝叶斯优化及小波分解的时序预测方法及装置制造方法及图纸

本发明专利技术提出了一种基于贝叶斯优化及小波分解的时序预测方法，所述方法包括：根据贝叶斯优化方法对模型超参数进行优化获得最优超参数，所述模型超参数包括小波分解层数、小波分解中的母小波函数和GRU子预测器的超参数；获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果；搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果；根据所述训练结果获得预测结果。本发明专利技术使用贝叶斯优化算法进行超参数的优化，在长期的时间序列预测任务中具有很高的准确度。

【技术实现步骤摘要】
一种基于贝叶斯优化及小波分解的时序预测方法及装置
本申请涉及时间序列预测领域，尤其涉及一种基于贝叶斯优化及小波分解的时序预测方法及装置。
技术介绍
随着工业化和城市化进程不断推进，信息存储、传感器网络和计算机技术迅速发展，互联网等技术在人们生活中逐渐扮演重要角色。在互联网的各类交互任务中大量的信息与之而来，这些信息大多是按照相同的时间间隔依次连续产生的时间序列，如气象监测站的温度、大气PM2.5浓度等数据，这些数据不仅是对历史事件的简单记录，同时它们存储了很多有用的信息，比如气象监测站的温度数据中包含一年四季的温度变化规律。因此，针对这些时间序列进行研究挖掘出数据中的潜藏信息，就可以掌握其变化规律提前进行未来数据的预测。针对历史时序数据进行建模来对未来一段时间的数据进行预测是时序预测的范畴，目前在时序预测领域的研究已经有一定的基础，其方法大致可分为两类。一种是传统概率方法，传统的时间预测方法受到给定数据知识的极大限制，建模条件也比较苛刻，所以这类方法的效果并不好；另一种是机器学习方法，这种方法只需要知道历史数据就可以根据任务需求设计用于本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯优化及小波分解的时序预测方法，其特征在于，所述方法包括：/n根据贝叶斯优化方法对模型超参数进行优化获得最优超参数，所述模型超参数包括小波分解层数、小波分解中的母小波函数和GRU子预测器的超参数；/n获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果；/n搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果；/n根据所述训练结果获得预测结果。/n

【技术特征摘要】
1.一种基于贝叶斯优化及小波分解的时序预测方法，其特征在于，所述方法包括：
根据贝叶斯优化方法对模型超参数进行优化获得最优超参数，所述模型超参数包括小波分解层数、小波分解中的母小波函数和GRU子预测器的超参数；
获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果；
搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果；
根据所述训练结果获得预测结果。


2.根据权利要求1所述的方法，其特征在于，所述根据贝叶斯优化方法对模型超参数进行优化获得最优超参数的过程包括：
定义模型超参数优化的目标函数，所述模型超参数优化的目标函数服从高斯分布；
根据所述模型超参数优化的目标函数获得贝叶斯优化的目标函数；
对所述模型超参数优化的目标函数进行高斯过程处理获得所述模型超参数优化的目标函数的后验概率；
根据所述后验概率的均值和方差采用UCB采集函数对所述贝叶斯优化的目标函数进行参数更新获取最优超参数。


3.根据权利要求1或2所述的方法，其特征在于，所述获取采集数据，根据优化后获得的小波分解层数和小波分解中的母小波函数对所述采集数据进行小波分解获得分解结果的过程包括：
根据所述优化后获得的母小波函数以及所述母小波函数所对应的父小波函数将所述采集数据分解为低频分量和高频分量，其中分解层数根据所述优化后获得的小波分解层数确定；
通过低频滤波器对所述低频分量进行处理获得低频子序列；
通过高频滤波器对所述高频分量进行处理获得高频子序列。


4.根据权利要求3所述的方法，其特征在于，所述搭建基于GRU子预测器，根据优化后获得的GRU子预测器的超参数对所述分解结果进行学习和预测获得训练结果的过程包括：
基于KerasTensorflow框架搭建GRU子预测器；
通过所述GRU子预测器对小波分解后获得的低频子序列和高频子序列分别进行学习和预测获得各子序列的训练结果。


5.根据权利要求4所述的方法，其特征在于，所述根据所述训练结果获得预测结果的过程包括：
将所述各子序列的训练结果进行求和处理获得预测结果。

...

【专利技术属性】
技术研发人员：金学波，张家辉，苏婷立，白玉廷，孔建磊，
申请(专利权)人：北京工商大学，
类型：发明
国别省市：北京;11