一种抑制数据泄露的高精度时间序列预测方法技术

一种抑制数据泄露的高精度时间序列预测方法,属于通信技术以及计算机技术领域，以降噪相关理论与深度学习预测模型建模思想为理论基础，考虑时间序列具有噪声高、非平稳和非线性等特点，为降低噪声对时间序列预测的影响，并防止数据发生泄露的情况，通过重叠切片对时间序列进行多次变分模态分解(VMD)处理，并改进降噪阈值函数，对分解后的时间序列进行降噪处理。进一步，引入深度学习建模思想，建立神经网络多步预测模型，从而提高时间序列的预测性能。本方法适用于具有噪声特性的时间序列多步预测系统及装置。多步预测系统及装置。多步预测系统及装置。

【技术实现步骤摘要】
一种抑制数据泄露的高精度时间序列预测方法


[0001]本专利技术属于通信技术以及计算机
，尤其是高精度时间序列预测技术，可以抑制数据泄露，且可实现多步预测。

技术介绍

[0002]生产生活中的诸多应用都涉及时间序列，例如股票价格指数、车流量、空气污染指数、降雨量、脑电图信号和太阳黑子等。利用时间序列预测可揭示复杂系统内部的演化规律，因此，时间序列预测是探究复杂系统机理和建立系统模型的重要手段。然而，由于时间序列通常具有高噪声以及非线性等特点，因此，增加了时间序列预测的难度。时间序列中必然会存在影响因素(简称噪声)，其存在不仅会降低时间序列的质量，还会损失有效信息(数据泄露问题，致使预测不符合真实应用，降低了预测模型的适用性)，而且，随着预测过程的推进，噪声会被不断放大，导致模型的预测精度和稳定性受到严重干扰。为降低噪声对时间序列预测的影响，降噪处理成为必然。然而，目前方法大都采用将整体时间序列进行平滑或降噪，进而再划分训练集和测试集，从而导致了数据泄露问题，致使预测不符合真实应用，降低了预测模型的适用性。由此可见，构建有效且符合实际应用降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抑制数据泄露的高精度时间序列预测方法，其特征在于包括下列步骤：步骤一：采集时间序列；设长度为N的序列x(n)被噪声u(n)所污染，n＝1,2,
…
,N，所采集的含噪序列表示为:y(n)＝x(n)+u(n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[1]；步骤二：对时间序列y(n)进行VMD处理；VMD将输入序列y(n)分解为不同数量的有限带宽的子序列，子序列即为本征模态函数IMF分量，这些IMF分量根据其稀疏性重现原始输入序列，如公式[2]和公式[3]所示，其中Y
w
(n)为分解后的IMF分量，F[
·
]为VMD分解函数，A为包含分解尺度K、惩罚因子α、噪声容限τ和判别精度ε的参数矩阵；Y
w
(n)＝F[y(n)]
A
,w＝1,2,
…
,K
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
[2]；设置τ＝0和ε＝1
×
10
‑7，设置K值从小到大取正整数值，当最后一层IMF分量保持相对稳定的中心频率时，认为此时的K值为最佳值，且K∈N
*
；确定K值后，通过观察不同α对VMD运行时间影响，随着α逐渐增大，当运行时间达到第一个时间极小值时的α即为合适的取值，且α∈N
*
；通过设置分解尺度K和惩罚因子α，进行维纳滤波降噪和交替乘法算子处理，得到并更新K个中心频率，再根据不同的中心频率，得到各IMF分量；经过多次计算更新，IMF分量匹配到最佳中心频率，实现原始序列的有效分解；步骤三：通过排列熵确定Y
w
(n)中的低频分量Y
l
(n)和高频分量Y
h
(n)；其中，l＝1,
…
,d，h＝d+1,
…
,K，d∈Z；将Y
w
(n)分量进行相空间重构；对于任意一个重构向量都得到一个反映其元素大小顺序的符号序列S(c)，如公式[6]所示；m维相空间映射不同的符号序列{j1,j2,
…
,j
m
}总共有m！种，S(c)是其中的一种排列形式，每个重构分量按照升序排列后更新{j1,j2,
…
,j
m
}；S(c)＝{j1,j2,
…
,j
m
},c＝1,2,
…
,R,且R≤m！
ꢀꢀꢀꢀꢀꢀ
[6]；计算每一种符号序列出现的次数除以m！种不同的符号序列出现的总次数作为该符号序列出现的概率，即{P1,P2,
…
,P
R
}；利用概率{P1,P2,
…
,P
R
}对IMF分量进行排列熵计算，如公式[7]；排列熵的最大值为ln(m！)，将排列熵值进行归一化处理，如公式[8]；排列熵值的大小表示IMF分量的随机程度，根据时间序列y(n)的排列熵并结合高低频节点经验值(0.7
‑
0.85)设置阈值，d值为排列熵小于阈值的IMF分量的数量，从而确定低频分量Y1～Y
d
及高频分量Y
d+1
～Y
K
；步骤四：对时间序列y(n)进行重叠切片VMD降噪处理；选择固定阈值，对降噪阈值函数进行改进，构建一种折中阈值函数，如公式[9]所示，其中β为折中因子且β∈[0,1]，Y
kt
表示
分解后分量Y
k
在t时刻的值，Y
′
kt
表示降噪后分量Y
′
k
在t时刻的值，sign()表示符号函数，Y
k
的阈值Q为切片大小，median()表示中位数函数；利用固定大小的切片对时间序列y(n)按单位时间步进行处理；时间序列y(n)经过切片处理后，进行VMD处理，将低频分量保留，高频分量进行折中阈值降噪；设定切片大小为Q，切片每次移动的步长为1，因此共有M＝N
‑
Q+1个切片；将时间序列y(n)分成M个切片，如公式[10]所示，其中b＝1,2,
…
,M；F
b
＝{y(b),y(b+1),
…
,y(b+Q
‑
1)}
ꢀꢀꢀꢀ
[10]；提取第一组时间序列切片为(y(1),y(2),
…
,y(Q))，对该序列进行VMD处理，得到第一组分解序列(y1(1),y1(2),
…
,y1(Q))，保留分解序列的低频分量并对分解序列的高频分量进行降噪处理，得到第一组降噪序列(y
′1(1),y
′1(2),
…

【专利技术属性】
技术研发人员：刘芳，陈立志，冯永新，
申请(专利权)人：沈阳理工大学，
类型：发明
国别省市：