一种基于STL分解和LSTM网络的时间序列预测方法技术

本发明专利技术涉及一种基于STL分解和LSTM网络的时间序列预测方法，首先将每一段流数据表示成一个时间顺序向量，应用随机森林算法来剔除掉流数据中的突变点和和全局稀疏点，再对剔除的数据空位进行线性插值；然后对流数据进行STL分解，将分解后的各个分量作为新的特征合并进原本的流数据中；搭建LSTM网络模型，使用流数据中的前向数据信息作为模型的输入，输出预测的数据信息；将分解后合并进新特征的流数据输入LSTM网络中，训练LSTM网络；最后将流数据送入训练好的网络中进行预测。本发明专利技术能够对流数据进行预测，并具有一定的鲁棒性和准确率。并具有一定的鲁棒性和准确率。

【技术实现步骤摘要】
一种基于STL分解和LSTM网络的时间序列预测方法


[0001]本专利技术属于时序数据分析
，涉及一种基于STL分解和LSTM网络的时间序列预测方法。

技术介绍

[0002]随着移动互联网的兴起，产生了更多时效性更强、速率更快的实时流数据。传统的离线计算方式并不适用于这类数据，对于流数据的处理和应用需求是在当今我们必将面临的难题和挑战，其中一个实际的需求就是对于流数据进行预测。通过预测流数据的趋势，后续可以应用于异常检测等数据分析当中，是非常重要且必要的。
[0003]常用于流数据的统计学演变预测模型有自回归移动平均(ARMA)模型，累计和(CUSUM)模型，差分自回归移动平均(ARIMA)模型，多变量自回归(VARMA)模型以及指数加权移动平均(EWMA)模型。以上模型通过统计学的方式来对流数据趋势进行预测，但统计学预测模型需要流数据具备平稳性要求才能够获得较好的效果，因而对于变化多端的流数据不具有较好的适用性和较高的拟合度。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种基于STL分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于STL分解和LSTM网络的时间序列预测方法，其特征在于包括以下步骤：步骤1，对数据进行预处理：将每一段流数据表示成一个时间顺序向量，应用随机森林算法来剔除掉流数据中的突变点和和全局稀疏点，再对剔除的数据空位进行线性插值，从而确保了训练数据本身的平稳度，保证训练的稳定性；步骤2，对流数据进行STL分解：将流数据分解为趋势分量、季节分量和余项分量三个不同的分量，将分解后的各个分量作为新的特征合并进原本的流数据...

【专利技术属性】
技术研发人员：栾晓丹，
申请(专利权)人：北京航天长峰科技工业集团有限公司，
类型：发明
国别省市：