一种应用于时间序列LSTM参数预测模型的自适应更新方法技术

在实际应用中，研究对象的参数会随着时间的推移偏离初始的数据运行范围，甚至数据的演化规律发生改变，从而导致原有预测模型的平均预测误差超过期望值，模型的预测精度下降，这时就需要对当前预测模型进行更新。为了解决这一问题，本发明专利技术基于时间序列参数的演变规律，设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法。该方法在原有模型预测误差超出预设期望值时，不仅能够利用备用预测模型及时对当前预测模型进行更新，还可以在模型需要更新但备用模型尚未训练完成时利用动态调节系数修正预测模型对参数的预测值，提高模型的预测精度。的预测精度。的预测精度。

【技术实现步骤摘要】
一种应用于时间序列LSTM参数预测模型的自适应更新方法


[0001]本专利技术涉及一种应用于时间序列LSTM参数预测模型的自适应更新方法，更具体地说，本专利技术涉及一种能够应用于时间序列参数预测模型因参数的演变规律发生改变的情况下预测模型自动更新的方法，最终提高参数预测模型的预测精度。

技术介绍

[0002]时间序列在各行各业当中普遍存在，它是在一系列等间隔的时间点上收集到的数据集合，例如商业活动中，某产品的销售额；工业生产中，监控参数的变化趋势；气象学中某城市的降水量等。时间序列中数据顺序及数据大小都蕴含着客观世界某事物或现象的内在信息，表现着随时间变化的动态过程。时间序列分析的意义在于研究某一时间序列在长期变动过程中所存在的统计规律性，同时利用专家系统、深度学习模型、机器学习等方法实现对关键参数的预测，以解决具体行业中的实际问题。
[0003]利用研究对象的参数样本数据集，通过参数预测模型，最终利用预测模型实现对研究对象的动态预测。但是在实际应用中，研究对象的参数会随着时间的推移偏离初始的数据运行范围，甚至数据的演化规律发生改变，从而导致原有预测模型的平均预测误差超过期望值，模型的预测精度下降，这时就需要对当前预测模型进行更新。为了解决这一问题，本专利技术基于时间序列参数的演变规律，设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法。

技术实现思路

[0004]本专利技术设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法，为预测模型更新提供了一种自动更新策略，有助于提高参数预测模型的预测精度。
[0005]所述的应用于时间序列LSTM参数预测模型的自适应更新方法的数据条件为：
[0006]具有时间序列样本数据；
[0007]样本数据按照固定的采样频率或时间间隔能够实时采集，且持续采集；
[0008]本专利技术所设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法，具体操作步骤如下：
[0009]步骤1：利用一定时间内正常运行的研究对象参数样本数据(X1，X2，
…
X
num
)作为建模数据，求出建模数据的均值如公式(1)所示；
[0010][0011]步骤2：对建模数据进行归一化处理，如公式(2)、公式(3)所示，其中为步骤1所述建模数据的均值，S为标准差，将归一化后数据作为建模数据num为建模数据量要求；
[0012][0013][0014]步骤3：将步骤2所述的建模数据输入到LSTM网络当中进行训练，通过不断调节网络层数和迭代次数，得到基于LSTM的参数预测离线模型M0；
[0015]步骤4：设置平均历史预测误差期望值E
th
；
[0016]步骤5：利用步骤1
‑
3所述的建模方法离线建立参数预测模型M0，并将M0初始化为当前预测模型M
t
；
[0017]步骤6：采集实时数据样本，并积累时间序列样本；
[0018]步骤7：将采集到的实时数据(x1，x2，
…
x
n
)按照步骤2进行归一化处理，输入参数预测模型M
t
当中，得到预测数据Y＝(y1，y2，
…
y
m
)；
[0019]步骤8：在步骤6积累时间序列样本时，利用count计数；当积累的实时数据的个数count达到步骤2所述num时，则基于模型M0的网络结构，按照步骤1
‑
3所述方法重新训练模型参数，得到备用模型B
t
，并保存至备用模型库；count置0重新计数，本步骤循环执行；
[0020]步骤9：利用公式(4)计算当前预测模型M
t
在t
‑
m至t时刻预测值平均历史误差E
M
，其中Y
i
为模型M
t
在t
‑
m至t时刻的预测数据；
[0021][0022]步骤10：若E
M
＜E
th
，则转执行步骤15；若E
M
＞E
th
，则利用公式(4)计算备用预测模型B
t
在t
‑
m至t时刻预测值的平均预测误差，记作E
B
，执行步骤11；
[0023]步骤11：若E
M
＞E
B
，则利用备用模型B
t
替换预测模型M
t
，更新预测模型M
t
，清空备用模型库，执行步骤12；若E
M
＜E
B
，则转步骤13；
[0024]步骤12：利用步骤11更新后的预测模型M
t
进行预测，得到预测数据Y＝(y1，y2，
…
y
m
)；
[0025]步骤13：计算输入预测模型的实时数据(X1，X2，
…
X
n
)，求其动态均值如公式(5)计算；
[0026][0027]计算动态调节系数K
t
，如公式(6)所示；其中，为预测模型训练数据的平均值，由公式(1)计算得到；
[0028][0029]步骤14：判断步骤13中所述K
t
是否处于(K1，K2)范围内，其中K1的范围为K1＜1，K2＞1，通常情况下K1取0.9，K2取1.1；若K
t
在(K1，K2)内，则跳转到步骤15；若K
t
不在(K1，K2)内，则利用动态调节系数K
t
修正预测数据，修正公式按公式(7)计算；
[0030]Y＝K
t
*[y1，y2，
…
，y
m
]ꢀꢀꢀ
公式(7)
[0031]步骤15：输出得到的预测数据Y；
[0032]步骤16：判断是否停止模型预测：若停止模型预测，则结束；若不停止模型预测，则跳转至步骤6；
附图说明
[0033]图1：LSTM参数预测模型的自适应更新方法流程图；
具体实施方式
[0034]本专利技术设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法，为预测模型的自动更新提供了一种更新策略，不仅能够利用备用预测模型及时对预测模型进行更新，还可以利用动态调节系数提高预测模型对参数的预测精度。LSTM参数预测模型的自适应更新方法流程图如图1所示，具体操作步骤如下：
[0035]步骤1：利用一定时间内正常运行的研究对象参数样本数据(X1，X2，
…
X
num
)作为建模数据，求出建模数据的均值如公式(1)所示；
[0036][0037]步骤2：对建模数据进行归一化处理，如公式(2)、公式(3)所示，其中为步骤1所述建模数据的均值，S为标准差，将归一化后数据作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.本发明所设计了一种应用于时间序列LSTM参数预测模型的自适应更新方法，其特征是：在原有模型预测误差超出预设期望值时，不仅能够利用备用预测模型及时对当前预测模型进行更新，还可以在模型需要更新但备用模型尚未训练完成时利用动态调节系数修正预测模型对参数的预测值，提高模型的预测精度；具体操作步骤如下：步骤1：利用一定时间内正常运行的研究对象参数样本数据(X1，X2，
…
X
num
)作为建模数据，求出建模数据的均值如公式(1)所示；步骤2：对建模数据进行归一化处理，如公式(2)、公式(3)所示，其中为步骤1所述建模数据的均值，S为标准差，将归一化后数据作为建模数据num为建模数据量要求；要求；步骤3：将步骤2所述的建模数据输入到LSTM网络当中进行训练，通过不断调节网络层数和迭代次数，得到基于LSTM的参数预测离线模型M0；步骤4：设置平均历史预测误差期望值E
th
；步骤5：利用步骤1
‑
3所述的建模方法离线建立参数预测模型M0，并将M0初始化为当前预测模型M
t
；步骤6：采集实时数据样本，并积累时间序列样本；步骤7：将采集到的实时数据(x1，x2，
…
x
n
)按照步骤2进行归一化处理，输入参数预测模型M
t
当中，得到预测数据Y＝(y1，y2，
…
y
m
)；步骤8：在步骤6积累时间序列样本时，利用count计数；当积累的实时数据的个数count达到步骤2所述num时，则基于模型M0的网络结构，按照步骤1
‑
3所述方法重新训练模型参数，得到备用模型B
t
，并保存至备用模型库；count置0重新计数，本步骤循环执行；步骤9：利用公式(4)计算当前预测模型M
t
在t
‑
m至t时刻预测值平均历史误差E
M
，其中Y
i
为模型M
t
在...

【专利技术属性】
技术研发人员：王红一，陈继威，宋丽梅，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：