时间序列分解方法及装置制造方法及图纸

本发明专利技术提供了一种时间序列分解方法及装置，包括：步骤1：以循环神经网络为基础构建一个三层循环神经网络，三层循环神经网络的三层输出分别与时间序列分解的周期分量、趋势分量和余差分量相对应；步骤2：在三层循环神经网络基础上加上层间门控单元，以及在三层循环神经网络的三层输出上施加约束项和构造损失函数，得到初始模型；步骤3：对初始模型进行训练得到时间序列分解模型，对时间序列进行分解。与现有技术相比，本发明专利技术具有分解能力强、实时性好、灵活实施等优点，具有良好的抗干扰能力和灵活性。性。性。

【技术实现步骤摘要】
时间序列分解方法及装置


[0001]本专利技术涉及人工智能、电子信息工程
，具体地，涉及一种时间序列分解方法及装置，尤其涉及一种基于多层门控循环神经网络的时间序列分解方法及装置。

技术介绍

[0002]时间序列分析和预测渗透在国民经济的各个行业，具有重要的应用价值，例如在电力生产、传输、交易、消费和投资决策等环节都会产生相应的时间序列数据，这些时序数据反映了电力系统中各个部分组成的运行情况。由于在能源市场中影响电力负荷和价格的因素众多，电力数据具有高波动性、非线性和周期性等特性，给电力负荷的分析、预测和应用带来极大挑战。时间序列数据包含了各种模式，将时间序列分解成几个部分有利于对时间序列包含的模式研究。
[0003]时间序列分解方法是典型的时域分析。除了经典的周期分解方法，还发展出了一些更先进的周期分解方法。为了得到平滑的趋势序列和符合周期性的周期序列，它们都使用了数据平滑方法。另外，在处理数据的过程中还涉及许多异常数据处理的操作。因此，现有的时间序列周期分解方法的流程往往非常复杂。深度学习在图像、文本、语音等各领域取得突破性成果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间序列分解方法，其特征在于，包括：步骤1：以循环神经网络为基础构建一个三层循环神经网络，所述三层循环神经网络的三层输出分别与所述时间序列分解的周期分量、趋势分量和余差分量相对应；步骤2：在所述三层循环神经网络基础上加上层间门控单元，以及在所述三层循环神经网络的所述三层输出上施加约束项和构造损失函数，得到初始模型；步骤3：对所述初始模型进行训练得到时间序列分解模型，对所述时间序列进行分解。2.根据权利要求1所述的时间序列分解方法，其特征在于，所述三层循环神经网络的基本单元包括循环神经网络单元，包括：第一层循环神经网络单元、第二层循环神经网络单元和第三层循环神经网络单元；根据所述三层循环神经网络的更新频率，所述第一层循环神经网络单元的状态更新频率大于所述第二层循环神经网络单元的状态更新频率，所述第二层循环神经网络单元的状态更新频率大于所述第三层循环神经网络单元的状态更新频率；第一层循环神经网络单元的输出对应于所述余差分量；第二层循环神经网络单元的输出对应于所述周期分量；第三层循环神经网络单元的输出对应于所述趋势分量。3.根据权利要求1或2所述的时间序列分解方法，其特征在于，所述步骤2中在所述三层循环神经网络基础上加上层间门控单元，包括：在所述第一层循环神经网络单元和所述第二层循环神经网络单元之间添加控制门；在所述第二层循环神经网络单元和所述第三层循环神经网络单元之间添加控制门，形成带层间门控单元的三层循环神经网络。4.根据权利要求3所述的时间序列分解方法，其特征在于，所述步骤2中在所述三层循环神经网络的所述三层输出上施加约束项和构造损失函数，包括：在所述带层间门控单元的三层循环神经网络中，依据各层输出对应的周期分解分量以及输出和接近于输入的要求，对各层施加约束项并构造损失函数，形成总损失函数。5.根据权利要求4所述的时间序列分解方法，其特征在于，所述损失函数，包括：周期损失函数、趋势平滑函数和余差损失函数；所述周期损失函数、所述趋势平滑函数和所述余差损失函数作为辅助损失函数与循环神经网络模型本身的损失函数组成所述总损失函数。6.一种时间序列分解...

【专利技术属性】
技术研发人员：阎威武，李庆辉，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：