一种面向物联网的多元时间序列预测方法及系统技术方案

本发明专利技术公开了一种面向物联网的多元时间序列预测方法及系统，其方法包括：读取多元时间序列数据集并进行数据预处理和数据集划分；初始化模型的超参数，并构建面向物联网的多元时间序列预测模型DLARN，采用深度学习模块学习序列中的时间相关性和多变量依赖模式，同时利用自回归模块捕获序列中的线性关系；对该预测模型DLARN进行训练操作，得到目标预测模型；根据目标预测模型进行预测操作，得到最终的预测结果。本发明专利技术方法可以动态捕捉数据中的长短期依赖模式，具有比现有方法更高的预测准确度。本发明专利技术同时提供了面向物联网的多元时间序列预测系统，通过物联网感知层、智能网关层和物联网云平台层，有效处理物联网产生的时序数据。据。据。

【技术实现步骤摘要】
一种面向物联网的多元时间序列预测方法及系统


[0001]本专利技术属于物联网技术和时间序列预测领域，更具体地说涉及一种面向物联网的多元时间序列预测方法及系统。

技术介绍

[0002]物联网技术在应用于能量、交通、环境监测等领域时，通常需要通过各种传感设备实时采集大量数据，使得不同领域产生的时间序列数据呈现爆炸式增长，这也对数据决策提出了挑战。时间序列预测问题已成为热门研究课题之一，其研究的重点在于挖掘数据内在的隐藏规律特性，以过去和现在的发展变化趋势来预测未来的情况。
[0003]多种回归方法如多元线性回归MLR、自回归模型AR和自回归差分移动平均模型ARIMA已被广泛使用。这些方法可以很好地捕捉时间序列中的线性关系。然而，现实中的时间序列数据一般都会由于受到外部因素的作用而具有显著的非线性和不确定性，面对这样的数据，这些回归方法难以实现准确预测。
[0004]越来越多的深度学习方法被应用于时间序列预测。长短期记忆网络LSTM可以学习到序列数据中的时间依赖关系，卷积神经网络CNN可以有效学习多变量间的依赖关系。但是这些方法具有输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向物联网的多元时间序列预测方法，其特征在于，包括以下步骤：S1、读取多元时间序列数据集，并对数据进行预处理；S2、对获取的多元时间序列数据进行数据集划分；S3、初始化模型的超参数，并构建面向物联网的多元时间序列预测模型DLARN；S4、根据设定的超参数，对所述多元时间序列预测模型DLARN进行训练操作，得到目标预测模型；S5、根据所述目标预测模型进行预测操作，得到最终预测结果；其中：步骤S3所述构建面向物联网的多元时间序列预测模型DLARN，具体为：构建一个包括深度学习模块和自回归模块的多元时间序列预测模型DLARN；其中，所述深度学习模块依次包括卷积层、循环网络层、注意力层和全连接层；所述自回归模块与深度学习模块并行，用于捕捉时间序列的线性趋势；所述卷积层是一个不包含池化层的一维卷积神经网络，使用d
f
个滤波器；所述滤波器高度为N、宽度为ω，每个滤波器扫描所述输入矩阵X
input
并进行卷积操作得到一个特征向量，第k个所述滤波器的计算公式为：l
k
＝RELU(S
k
*X
input
+β
k
)其中，RELU(
·
)是激活函数，表达式为RELU(x)＝max(0,x)，S
k
和β
k
都是该层的超参数，*表示卷积操作；最终所有滤波器生成的特征向量组成卷积层的输出矩阵；所述循环网络层是一个双向长短期记忆递归神经网络BiLSTM，由前向LSTM和后向LSTM组成，通过两个方向发现所述多元时间序列数据的隐藏信息；所述注意力层采用时间注意力机制，在不同的时间戳为循环网络层输出的隐藏状态分配权重，其计算公式如下：e
t
＝tanh(Ph
t
+g
t
))其中，h
t
是所述循环网络层在时间戳t的输出，P和g
t
代表权重和偏差；而e
t
是h
t
的注意力值，表示h

【专利技术属性】
技术研发人员：王灿，朱明华，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：