一种基于神经网络方法的时间序列预测系统技术方案

本发明专利技术公开了一种基于神经网络方法的时间序列预测系统。本发明专利技术中，序列预测模块内部的模块，让系统在预测时根据空间特征提取序列的时间特征作为模型的关键部分,注意力模型的设计关系到序列的特征获取,进而提高了预测精度.因此,为更好地获取时间序列的特征，因此卷积神经网络模块和长短期记忆网络模块通过长短期记忆网络,能够很好地捕获数据之间的长期依赖，使得模型选择模块提出的模型在几个混沌时间序列的预测上都取得了较好的结果,且预测精度高,预测性能较好，从而提高了本系统在进行预测时的精度和处理效率。行预测时的精度和处理效率。行预测时的精度和处理效率。

【技术实现步骤摘要】
一种基于神经网络方法的时间序列预测系统


[0001]本专利技术属于时间序列预测
，具体为一种基于神经网络方法的时间序列预测系统。

技术介绍

[0002]时间序列数据广泛存在于在金融、天文、工业、医药、电力等诸多领域。时间序列具有连续性，随机性以及周期性，其特性表明了对其进行预测的可行性与困难性。通过分析时间序列数据，可以挖掘数据的周期性、基本趋势和关联规则等有价值的信息，还能够对未来走势进行预测。时间序列预测模型的应用范围十分广泛，包括电力需求预测、金融市场预测以及现代医疗诊断等领域，无论是为了获取商业利益还是规避风险，提高时间序列预测的准确性，都具有极大的研究价值和实用价值。
[0003]但是常见的预测方法在混沌时间序列部分的预测精度不够高，从而影响了整体的预测精度。

技术实现思路

[0004]本专利技术的目的在于：为了解决上述提出的问题，提供一种基于神经网络方法的时间序列预测系统。
[0005]本专利技术采用的技术方案如下：一种基于神经网络方法的时间序列预测系统，包括启动模块、数据获取模块、数据预处理模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络方法的时间序列预测系统，包括启动模块(1)、数据获取模块(2)、数据预处理模块(3)、卷积神经网络模块(4)、长短期记忆网络模块(5)、序列预测模块(6)、硬件资源预测模块(7)、数据聚合模块(8)、模型选择模块(9)、预测分析模块(10)，其特征在于：所述启动模块(1)的输出端连接有所述数据获取模块(2)的输入端，所述数据获取模块(2)的输出端连接有所述数据预处理模块(3)的输入端，所述数据预处理模块(3)的输出端连接有所述卷积神经网络模块(4)的输入端，所述卷积神经网络模块(4)的输出端连接有所述长短期记忆网络模块(5)的输入端，所述长短期记忆网络模块(5)的输出端连接有所述序列预测模块(6)的输入端。2.如权利要求1所述的一种基于神经网络方法的时间序列预测系统，其特征在于：所述序列预测模块(6)的内部设置有硬件资源预测模块(7)、数据聚合模块(8)、模型选择模块(9)和预测分析模块(10)，所述硬件资源预测模块(7)、数据聚合模块(8)、模型选择模块(9)和预测分析模块(10)的整体输出端连接有所述序列预测模块(6)的输入端。3.如权利要求1所述的一种基于神经网络方法的时间序列预测系统，其特征在于：所述数据获取模块(2)的数据出自时间序列库，所述数据获取模块(2)将6个数据集分别用英文标识表示。4.如权利要求1所述的一种基于神经网络方法的时间序列预测系统，其特征在于：所述数据预处理模块(3)使用的基于神经网络语言模型的时序数据趋势预测算法，流程如下：1)归一化：对输入时间序列S，进行归一化，使其均值为0，标准差为1；2)降维：对归一化后的标准化序列进行分段聚合近似转换；3)离散化：PAA后的序列通过wordembedding离散化为字符串序列，每一个字符代表对应时间段内时间序列的均值范围；4)字符向量化：深度学习模型的输入必须是数值向量，因此，需要将上一步得到的字符向量化表示；将步骤3)得到的字符串序列看作文档，通过word2vec算法将字符转换为词向量；同时建立PAA序列与对应字符间映射的字典L；5)模型训练：对字符串序列按输入长度进行切分，建立训练数据集和测试数据集；输入序列通过神经网络语言模型前通过字典L映射为向量，并对模型进行训练。5.如权利要求1所述的一种基于神经网络方法的时间序列预测系统，其特征在于：所述卷积神经网络模块(4)采取的CNN结构就属于一维卷积神经网络,不管是何种CNN,其组成主要包括基本的输入层和输出层,核心操作部分为卷积层、池化层(亦称采样层...

【专利技术属性】
技术研发人员：何子博，时宏伟，
申请(专利权)人：四川大学，
类型：发明
国别省市：