一种基于多时间尺度的主任务优先预测方法技术

本发明专利技术提供了一种基于多时间尺度的主任务优先预测方法，包括：获取待预测时间序列以及待预测时间序列的N个相关时间序列，将待预测时间序列作为主任务序列，将相关时间序列作为辅任务序列，分别提取主任务序列和N个辅任务序列中的月序列、年序列和近期序列并构成输入序列；将输入序列输入训练好的预测模型，预测模型包括近期趋势塔、月趋势塔、年趋势塔、主任务套接字、N个辅任务套接字、主任务解码器和N个辅任务解码器。主任务序列和辅任务序列协同提取不同时间尺度的公共特征，充分利用了时间序列数据之间的相关关系进行预测，提高了时间序列预测精度。间序列预测精度。间序列预测精度。

【技术实现步骤摘要】
一种基于多时间尺度的主任务优先预测方法


[0001]本专利技术涉及时间序列预测
，尤其涉及一种基于多时间尺度的主任务优先预测方法。

技术介绍

[0002]时间序列预测法是根据过去的变化趋势预测未来的发展，基于历史数据预测未来趋势可以为许多不同的应用提供有用的信息。随着大量数据变得容易获得，对未来趋势的准确预测的需求已经增长，用户寻求利用准确的预测来获得竞争优势。
[0003]目前时间序列预测的解决方案主要有两种：传统方法(包括统计模型和机器学习模型)和深度学习方法。基于各种类型的时间序列数据特征的回归模型典型的有基于贝叶斯的模型和基于差分整合移动平均自回归(ARIMA)的模型，尽管这些方法在某些方面表现良好，但它们不擅长处理非线性数据。机器学习方法有Aut oregre ssiveIntegra ted Moving Average(ARIMA)等。大多数传统方法可以很好地解决一些预测问题，但它们的效果与深度学习模型相比还不够好。深度学习模型使用深度神经网络，例如循环神经网络(RNN)、长短时记忆网络(LSTM)、DeepAR(R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多时间尺度的主任务优先预测方法，其特征在于，包括：获取待预测时间序列以及待预测时间序列的N个相关时间序列，将待预测时间序列作为主任务序列，将相关时间序列作为辅任务序列；分别提取主任务序列和N个辅任务序列中的月序列、年序列和近期序列并构成输入序列；所述N为正整数；将输入序列输入训练好的预测模型，所述预测模型输出待预测时间序列的下一步预测值，所述预测模型包括：近期趋势塔，学习输入序列中的近期序列获得近期趋势特征；月趋势塔，学习输入序列中的月序列获得月同步特征；年趋势塔，学习输入序列中的年序列获得年同步特征；主任务套接字，按照主任务提取比从近期趋势特征、月同步特征和年同步特征中提取特征数据获得主任务融合特征；N个辅任务套接字，分别按照不同的辅任务提取比从近期趋势特征、月同步特征和年同步特征中提取特征数据获得对应的辅任务融合特征；主任务解码器，对主任务融合特征进行解码处理获得待预测时间序列的下一步预测值；N个辅任务解码器，分别对对应的辅任务融合特征进行解码处理获得对应相关时间序列的下一步预测值。2.如权利要求1所述的基于多时间尺度的主任务优先预测方法，其特征在于，近期趋势塔、月趋势塔和年趋势塔均采用LSTM网络，近期趋势塔的LSTM网络中重复模块的数量与近期序列的长度一致，月趋势塔的LSTM网络中重复模块的数量与月序列的长度一致，年趋势塔的LSTM网络中重复模块的数量与年序列的长度一致。3.如权利要求1所述的基于多时间尺度的主任务优先预测方法，其特征在于，主任务套接字和N个辅任务套接字均采用相同结构，具体包括套接LSTM单元、套接全连接层和相乘模块，输入序列依次输入套接LSTM单元和套接全连接层，相乘模块将套接全连接层输出的特征与三个塔分别输出的近期趋势特征、月同步特征和年同步特征进行相乘。4.如权利要求1所述的基于多时间尺度的主任务优先预测方法，其特征在于，主任务解码器和N个辅任务解码器均采用相同结构，具体包括依次连接的第一解码全连接层、第一Relu层、第二解码全连接层和第二Relu层。5.如权利要求1
‑
4之一所述的基于多时间尺度的主任务优先预测方法，其特征在于，所述预测模型还包括共享塔、主任务门控模块和N个辅任务门控模块；所述共享塔采用LSTM网络，用于基于输入序列提取全序列特征；所述主任务门控模块和N个辅任务门控模块均采用相同结构，具体包括门控全连接层和融合单元，所述门控全连接层基于所在任务的套接字的输出特征生成查询向量，所述融合单元利用查询向量融合所在任务的套接字输出的特征和共享塔输出的全序列特征。6.如权利要求5所述的基于多时间尺度的主任务优先预测方法，其特征在于，所述预测模型的训练过程包括：步骤A，基于待预测时间序列和N个相关时间序列的历史数据组建数据集，将数据集划分为训练集、验证集和测试集；
步骤B，构建预测模型的初始网络结构，利用训练集对初始网络结构进行训练，在训练过程中基于主任务混合损失优化模型参数，获得预测模型；在每次训练中主任务混合损失X
‑
mixloss通过如下公式获取：其中，用X表示主任务，Y表示辅任务，i表示辅任务索引，1≤i≤N，X
‑
loss表示主任务的损失，Y
i
‑
loss表示第i个辅任务的损失；表示主任务X对于第i个辅任务Y
i
的权重，具体为：其中，remain
‑
loss表示除了第i个辅任务外的其余N
‑
1个辅任务的损失之和；步骤C，利用测试集和验证集对获得的预测模型进行测试和验证。7.如权利要求6所述的基于多时间尺度的主任务优先预测方法，其特征在于，利用最差表现和最佳表现边界B
‑
WP
‑

【专利技术属性】
技术研发人员：高旻，武宇江，
申请(专利权)人：重庆大学，
类型：发明
国别省市：