训练用于时间序列数据预测的预测模型的方法及相关设备技术

本申请提供一种训练用于时间序列数据预测的预测模型的方法和相关设备。所述方法包括：基于获取的时间序列数据的缺失比例，对所述时间序列数据进行质量优化，得到优化时间序列数据；根据所述优化时间序列数据，利用经优化的麻雀搜索算法，对利用预测模型的超参数构建的超参数种群中个体进行更新，以训练所述预测模型的超参数，得到训练好的预测模型。本申请实施例利用变分模态分解方法将非稳定性的时间序列数据进行分解，能够在降低输入序列复杂度的同时提升训练精度，另外，利用自适应正弦干扰策略麻雀搜索算法，在麻雀搜索超参寻优算法的基础上引入了三种策略，在一定程度上克服了原来算法搜索速度较慢，收敛过早的缺点，从而提高模型训练精度。从而提高模型训练精度。从而提高模型训练精度。

【技术实现步骤摘要】
训练用于时间序列数据预测的预测模型的方法及相关设备


[0001]本申请涉及时间序列预测
，尤其涉及一种训练用于时间序列数据预测的预测模型的方法及相关设备。

技术介绍

[0002]现有技术中对于时间序列数据的训练过程中大多数要求时序数据是稳定的，或者通过差分化后是稳定的，利用非平稳时间序列数据训练后得到的模型的预测效果会很差，并且在训练过程中，模型参数需要手动设置，存在人为的误差影响因素也较大。

技术实现思路

[0003]有鉴于此，本申请的目的在于提出一种训练用于时间序列数据预测的预测模型的方法及相关设备。
[0004]基于上述目的，本申请提供了一种训练用于时间序列数据预测的预测模型的方法，其特征在于，包括：
[0005]基于获取的时间序列数据的缺失比例，对所述时间序列数据进行质量优化，得到优化时间序列数据；
[0006]根据所述优化时间序列数据，利用经优化的麻雀搜索算法，对利用预测模型的超参数构建的超参数种群中个体进行更新，以训练所述预测模型的超参数，得到训练好的预测模型。/>[0007]在一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练用于时间序列数据预测的预测模型的方法，其特征在于，包括：基于获取的时间序列数据的缺失比例，对所述时间序列数据进行质量优化，得到优化时间序列数据；根据所述优化时间序列数据，利用经优化的麻雀搜索算法，对利用预测模型的超参数构建的超参数种群中个体进行更新，以训练所述预测模型的超参数，得到训练好的预测模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述优化时间序列数据，利用经优化的麻雀搜索算法，对利用预测模型的超参数构建的超参数种群中个体进行更新，以训练所述预测模型的超参数，得到训练好的预测模型，包括：利用扰动补偿因子更新构建好的超参数种群中个体的位置，得到初始种群；利用正弦干扰策略更新所述初始种群，得到正弦干扰种群；根据所述优化时间序列数据，计算得到所述正弦干扰种群中每个个体的适应度；利用自适应柯西变异策略对所述正弦干扰种群中的最低的所述适应度的第一个体进行变异，得到第二个体；判断所述正弦干扰种群是否达到最大迭代次数；响应于所述正弦干扰种群达到最大迭代次数，将所述第一个体和所述第二个体中的最低的所述适应度对应的个体作为最终个体，并输出所述最终个体对应的最终超参数；将所述最终超参数作为所述预测模型的超参数，得到所述训练好的预测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述优化时间序列数据，计算得到所述正弦干扰种群中每个个体的适应度，包括：获取所述优化时间序列数据对应的真预测结果；将所述优化时间序列数据输入所述正弦干扰种群中每个个体对应的所述预测模型，得到每个个体对应的预测结果；分别计算每一所述每个个体对应的预测结果和所述真预测结果的均方误差，得到所述正弦干扰种群中每个个体的适应度。4.根据权利要求2所述的方法，其特征在于，所述构建好的超参数种群通过下述方法构建：利用立方混沌映射对超参数种群进行初始化，得到构建好的超参数种群。5.根据权利要求2所述的方法，其特征在于，所述利用扰动补偿因子更新构建好的超参数种群中个体的位置，得到初始种群，包括：利用扰动补...

【专利技术属性】
技术研发人员：郑凤，倪斌，
申请(专利权)人：南京上铁电子工程有限公司，
类型：发明
国别省市：