一种提升时间序列预测系统预测时间序列效果的方法技术方案

本发明专利技术属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明专利技术基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明专利技术预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明专利技术能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。提升任务在未来数据点上的预测准确度。提升任务在未来数据点上的预测准确度。

【技术实现步骤摘要】
一种提升时间序列预测系统预测时间序列效果的方法


[0001]本专利技术属于人工智能时间序列预测
，具体涉及一种提升时间序列预测系统在未来时间点上预测效果的方法。

技术介绍

[0002]随着时间序列信息技术的发展，时间序列信息在各种互联网服务中得到了广泛的应用，如何为用户根据已有时间序列预测未来的数据变化趋势逐渐成为工业界研究中的重点。为此，大量时间序列预测技术被提出。然而，现有技术无法对未来时间上的数据做准确的建模，因而在这些未来时间点上的预测效果很差。其主要原因是未来时间点的序列数据未必与已有数据同分布，即可能存在某一种没有被记住的趋势的变化，这就导致未来数据在变化上容易出现变缓的趋势。另一方面，循环神经网络存在梯度消失的问题，这使得常见的循环神经网络难以对序列精准建模。考虑到现有方法都用常见的循环神经网络等方法对时间序列做建模，故缺乏对未来时间点的序列做准确预测的能力。

技术实现思路

[0003]本专利技术的目的在于针对人工智能技术中的时间序列预测系统，提供一种提升预测时间序列效果的方法。
[0004]所述时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提升时间序列预测系统预测时间序列效果的方法，是基于概念漂移建模技术的；其中，所述时间序列预测系统包括：若干个架构相同的时间序列预测模型，一个用于时间序列数据相似度评估的时间序列分类模型，以及若干条长度相同的时间序列数据；这里，所述时间序列数据是一组按照发生时间先后顺序进行排列的数据点序列，其中每个数据点表示为一个实数；该时间序列预测系统预测的基本流程为：时间序列预测模型以一组长度固定的时间序列作为输入，输出接下来一个时间点或几个时间点的数据点预测值；其中，作为输入的固定长度时间序列称为过去数据；在接下来一个时间点或几个时间点的真实值称为未来数据；时间序列预测系统基于过去数据输出的接下来一个时间或几个时间点的数据点称为预测结果；时间序列预测系统的目标为使得预测结果与未来数据的差距尽可能地小；其中，所述若干个不同的时间序列预测模型用于属于不同类的时间序列的概念漂移建模以及未来数据预测；所述时间序列分类模型为一个循环神经网络模型，该循环神经网络的最后一个时间节点的输出用于计算某条时间序列属于某一个类的概率，用于对时间序列预测系统中所有的时间序列进行分类；所述若干条长度相同的时间序列用于分类，然后在同一个类的时间序列数据上使用时间序列预测模型拟合历史数据并建模概念漂移；利用基于REINFORCE规则的端到端训练框架学习所有时间序列预测模型和时间序列分类模型；所述方法具体包括：(1)首先，作为时间序列模型输入的过去数据与未来数据之间存在差异，定义这种差异为概念漂移；将每条时间序列的过去数据划分为历史数据和新数据；其中历史数据和新数据的总长度和过去数据的总长度相同；并将每条时间序列数据的过去数据输入给时间序列分类模型，得到该时间序列的类标签；(2)然后，标签属于同一类的时间序列数据共享同一个时间序列预测模型，并用该时间序列预测模型在属于该类的所有历史数据上进行数据拟合，并通过拟合误差计算得到各个中间时间序列预测模型参数；这里，拟合误差也为历史数据损失函数；(3)使用该中间参数对相应类中的时间序列数据的新数据进行拟合，计算拟合误差，将其记为新数据损失函数；若拟合误差较大，则说明历史数据和新数据之间发生了概念漂移；(4)使用历史数据损失函数和新数据损失函数共同更新相应的时间序列预测模型参数；(5)最后，用每条时间序列的历史数据损失函数和新数据损失函数的类概率加权总和来更新时间序列预测模型；对时间序列预测模型和分类模型的训练是一个端到端的训练过程，即该过程无需分阶段进行；在所有时间序列预测模型和分类模型都收敛后，系统中的每一个条时间序列可使用相应的时间序列预测模型进行预测。2.根据权利要求1所述的提升时间序列预测系统预测时间序列效果的方法，其特征在于，鉴于分类模型和预测模型在训练之后才可以使用，于是所述方法的具体操作步骤分为：系统训练步骤和系统测试步骤；其中，系统训练步骤为学习时间序列预测系统中所有参数；系统测试步骤为具体使用时间序列预测系统来输出持续输出未来数据；(一)系统训练：步骤一、划分训练数据集：将训练集中的时间序列数据沿时间轴按照历史数据和新数据进行划分；
设时间序列预测系统中共有N条时间序列，对于任意一条时间序列数据(x1，x2，...，x
t
)，其中，t＞T，选定参数T与K，其中，序列的前T个数据构成的子序列为历史数据，T+1到T+K个数据构成的子序列为新数据，记为(x
T+1
，x2，...，x
T+K
)；选定所有时间序列数据的类别总数为C；步骤二、初始化模型：在系统训练开始之前，初始化预测模型与分类模型：(2.1)初始化预测模型：选定C个预测模型，每个时间序列预测模型定义为其中，c∈{1，...，C}，φ
c
表示第c个预测模型的待求解参数；在每个时间点t，该模型的输入为输出为其中，该输出表示模型基于t个时间点对第t+1时间点数据的预测；使用高斯随机值来初始化φ
c
中的所有待求解参数；(2.2)初始化分类模型：选定的时间序列分类模型由两个部分组成：循环神经网络模型和单层全连接网络；其中，所述循环神经网络模型，其计算单元为以Relu函数为激活函数的多层全连接神经网络；在每个时间点t，该循环神经网络的输入层维度为其输出维度为向量该输出向量表示循环神经网络对于前t个时间点数据信息的压缩；所述以Relu函数为激活函数的单层全连接神经网络，其输入为循环神经网络在第T个时间点的输出向量输出向量维度该向量的每一维数值表...

【专利技术属性】
技术研发人员：杨珉，张谧，游小钰，
申请(专利权)人：复旦大学，
类型：发明
国别省市：