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]在一种可能的实现方式中，所述根据所述优化时间序列数据，利用麻雀搜索算法对预测模型的超参数进行训练，得到训练好的预测模型，包括：
[0008]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；
[0009]利用正弦干扰策略更新所述初始种群，得到正弦干扰种群；
[0010]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；r/>[0011]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；
[0012]判断所述正弦干扰种群是否达到最大迭代次数；
[0013]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；
[0014]在一种可能的实现方式中，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：
[0015]获取所述优化时间序列数据对应的真预测结果；
[0016]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；
[0017]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。
[0018]在一种可能的实现方式中，所述构建好的超参数种群通过下述方法构建：
[0019]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。
[0020]在一种可能的实现方式中，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：
[0021]利用扰动补偿因子更新所述构建好的超参数种群中个体的位置，得到扰动种群；
[0022]计算所述构建好的超参数种群和所述扰动种群中的所有个体的适应度值，将所有适应度值低于预设的第一阈值的个体作为初始种群。
[0023]在一种可能的实现方式中，所述初始种群包括：发现者、跟随者和警戒者；所述正弦干扰种群包括：干扰发现者、更新跟随者和更新警戒者；
[0024]其中，所述利用正弦干扰策略更新所述初始种群，得到正弦干扰种群，包括：
[0025]利用正弦干扰策略对所述发现者的位置进行更新，得到干扰发现者；
[0026]对所述跟随者的位置进行更新，得到更新跟随者；
[0027]对所述警戒者的位置进行更新，得到更新警戒者。
[0028]在一种可能的实现方式中，所述所述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，包括：
[0029]根据所述时间序列的数据缺失比例，以及与所述数据缺失比例相应的第二阈值，得到半优化时间序列数据；
[0030]判断所述半优化时间序列数据是否为非平稳型数据；
[0031]响应于所述半优化时间序列数据为非平稳型数据，利用变分模态分解方法将所述半优化时间序列数据分解，得到所述优化时间序列数据。
[0032]在一种可能的实现方式中，所述根据所述时间序列的数据缺失比例，以及与所述数据缺失比例相应的第二阈值，得到半优化时间序列数据，包括：
[0033]响应于所述时间序列数据缺失比例小于所述第二阈值，将缺失的所述时间序列数据删除，得到所述半优化时间序列数据；
[0034]响应于所述时间序列的数据缺失比例大于等于所述第二阈值，计算缺失的时间序列数据的前十个所述时间序列数据的平均值，利用所述平均值对缺失的时间序列数据进行填充，得到所述半优化时间序列数据。
[0035]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任意一项所述的训练用于时间序列数据预测的预测模型的方法。
[0036]基于同一专利技术构思，本说明书一个或多个实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述任一所述的训练用于时间序列数据预测的预测模型的方法。
[0037]从上面所述可以看出，本申请实施例的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，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。对于时间序列数据而言，利用变分模态分解方法将非稳定时间
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。此外，为了避免人为设置参数对模型带来的影响，在麻雀搜索超参数寻优算法的基础上引入了三种策略，能够使得模型在输入数据类型的不同的基础上自动调整模型超参数的设置，从而达到提高训练后模型的预测精度的效果。
附图说明
[0038]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本申请实施例的训练用于时间序列数据预测的预测模型的方法流程图；
[0040]图2为本申请实施例的对时间序列数据预处理的流程图；
[0041]图3为本申请实施例的利用麻雀搜索算法对预测模型的超参数进行训练的流程图；
[0042]图4为本申请实施例的电子设备结构图。
具体实施方式
[0043]为使本申请的目的、技术方案和优本文档来自技高网...

【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：