一种基于多目标演化算法的时间序列预测集成方法技术

本发明专利技术公开了一种基于多目标演化算法的时间序列预测集成方法，具体涉及时间序列分析领域，包括初始化种群、非支配排序、拥挤度排序、一对一锦标赛选择、模拟二进制交叉、模拟二进制交叉、种群合并与优选以及检查循环次数是否达到预设次数，本发明专利技术通过使用多目标演化算法求解的帕累托解集作为权重候选集，同时综合优化多个指标，并且尽可能地保证这一解集是最优的权重，随后引入贪心策略，从而保证当前时间步下的权重是最佳权重，通过使用一种基于多目标演化算法的动态集成方法，解决长时间序列预测场景下的动态性问题，从而实现对于时间序列的准确预测，能够有效提升预测的准确度及运算效率。算效率。算效率。

【技术实现步骤摘要】
一种基于多目标演化算法的时间序列预测集成方法


[0001]本专利技术涉及时间序列分析领域，更具体地说，本专利技术涉及一种基于多目标演化算法的时间序列预测集成方法。

技术介绍

[0002]时间序列是指按照时间先后顺序进行排列的数据点序列，有着非常广泛的应用，例如能源、交通、环境保护等。在时间序列预测任务中，长时间序列预测问题是当前学界研究的重点，这类问题主要研究输入和输出均较长的时间序列的预测问题。相对于短时间序列预测，长时间序列预测往往需要预测多个未来时间步的指标，且超过一个时间序列的长周期。但是，在较长的时间尺度上，时间序列的模式往往是动态变化的，即使在相同的变化周期内或是在两个波峰上，时间序列的模式也可能会发生很大的变化。由于时间序列模式十分复杂且处在不断变化中，没有一个单一的预测模型可以适用于所有的模式，这也为长时间序列预测带来了巨大的挑战。现有的时间序列预测方法主要可以被划分为三类，即基于统计的方法、基于机器学习的方法和基于深度学习的方法。基于统计的方法可以分为两类，分别是基于自滑动平均的ARIMA类型方法，以及引进季节项的滑动平均方法，其典型代表分别为是差分整合移动平均自回归模型和误差趋势季节模型。基于机器学习的方法包括支持向量回归、决策树等方法。基于深度学习的方法主要包括两类，即循环神经网络类模型和Transformer类模型。但是，由于这些模型在所有的时间序列预测位置都使用相同的模型和参数，因此这些方法都无法很好地应对时间序列的动态性。
[0003]相较于上面所提到的单模型方法，集成学习在工业界和机器学习比赛中获得了极其广泛的应用，并已被证明为一个提升预测精度的有效方法。为了解决时间序列数据集成权重的选取问题，一些早期的方法会使用手工的规则来选取权重。然而，这些基于规则的方法严重依赖于人工经验，而且仅仅适用于特定领域的数据。因此，后面学界开始提出一系列的自动选择权重的动态集成方法。现有的时间序列预测的动态集成方法主要分为三类：基于启发式策略的动态集成方法，基于元学习的动态集成方法和基于强化学习的动态集成方法。其中，基于启发式策略的动态集成方法具有三个典型问题：第一，基于启发式策略的动态集成方法仅根据误差选择权重，难以保证当前的权重最优；第二，基于启发式策略的动态集成方法只针对某一个特定指标进行优化，这造成了这些动态集成方法在其他的相关指标上表现不佳；第三，基于启发式策略的动态集成方法的当前时间步基学习器选取仅仅与上一时间步预测结果有关，这限制了这些动态集成方法的性能。
[0004]为了解决上述问题，现提供一种技术方案。

技术实现思路

[0005]为了克服现有技术的上述缺陷，本专利技术提供一种基于多目标演化算法的时间序列预测集成方法，通过使用多目标演化算法求解的帕累托解集作为权重候选集，同时综合优化多个指标，并且尽可能地保证这一解集是最优的权重，随后引入贪心策略，从而保证当前
时间步下的权重是最佳权重，通过使用一种基于多目标演化算法的动态集成方法，解决长时间序列预测场景下的动态性问题，从而实现对于时间序列的准确预测，能够有效提升预测的准确度及运算效率，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于多目标演化算法的时间序列预测集成方法，包括如下步骤：
[0008]步骤一，初始化种群：通过数据库调取时间序列并划分为不同种群，对种群进行初始化得到初始化新种群，并对种群中的个体进行归一化处理以保证个体中的权重之和为1；
[0009]步骤二，非支配排序：通过快速非支配排序依据种群个体权重的非裂解水平对所有权重分层；
[0010]步骤三，拥挤度排序：通过目标函数计算种群个体权重两侧的两个权重的平均距离得到拥挤系数，依据拥挤系数判断拥挤度并进行排序；
[0011]步骤四，一对一锦标赛选择：挑选两个目标种群个体，比较其帕累托等级以及拥挤度，并检查目标种群大小是否等于预设定的阈值；
[0012]步骤五，模拟二进制交叉：在目标种群中的目标个体以及目标个体的下一个个体中，选取两个相邻目标种群个体的权重进行模拟二进制交叉计算；
[0013]步骤六，多项式变异：在目标种群个体中选取两个相邻的权重进行多项式变异计算；
[0014]步骤七，种群合并与优选：对多项式变异后的种群进行合并，合并后的种群再通过非支配排序和拥挤度排序进行优选；
[0015]步骤八，检查循环次数是否达到预设次数：当循环次数未达到预设次数时，返回步骤二重新进行循环；当循环次数达到预设次数时，结束循环，并通过贪心策略求解当前时间步的最佳权重。
[0016]作为本专利技术进一步的方案，步骤一先对基学习器进行训练，并计算在未来若干个时间片上的预测结果，通过数据库调取时间序列并划分为不同种群，再对种群进行初始化，对于这个种群的每个个体，设置归一化以保证个体中权重之和为1，并且在本步骤之后均不再设置权重之和为1。
[0017]作为本专利技术进一步的方案，步骤二非支配排序通过快速非支配排序依据种群个体权重的非裂解水平对所有权重分层，进行权重分层的具体步骤为：
[0018]步骤G1，设定第一目标种群个体的个数为i＝1,
…
,n；
[0019]步骤G2，设定第二目标种群个体的个数为j＝1,2,
…
,n,且j≠i，比较第一目标种群个体的权重x
i
和第二目标种群个体的权重x
j
之间支配与非支配关系；
[0020]步骤G3，当不存在第一目标种群个体的权重x
i
优于第二目标种群个体的权重x
j
时，标记x
j
为非支配个体；
[0021]步骤G4，令i＝i+1，返回至步骤G2，直到找到所有的非支配个体；
[0022]步骤G5，将找到的非支配个体划分为第一级非支配层，重复上述步骤并以此类推直至目标种群都被分层。
[0023]作为本专利技术进一步的方案，步骤四一对一锦标赛选择通过随机挑选两个种群个体，比较其帕累托等级以及拥挤度，检查种群大小是否等于预设定的阈值，其具体步骤为：
[0024]步骤Z1，将初始化新种群归为一个空集；
[0025]步骤Z2，挑选两个目标种群的个体，比较其帕累托等级，当两个目标种群个体的帕累托等级不同时，选择帕累托等级较低的进入新种群，并跳转到步骤Z4，当两个目标种群个体帕累托等级相同时，则跳转到步骤Z3；
[0026]步骤Z3，比较两个目标种群个体的拥挤度，当拥挤度相同时，将第一个目标种群个体加入新种群，当拥挤度不同时，选择拥挤度高的目标种群个体进入新种群；
[0027]步骤Z4，检查当前目标种群大小是否等于预设定的阈值，当没有达到阈值时，返回步骤Z2；当达到阈值时，结束选择操作。
[0028]作为本专利技术进一步的方案，步骤六模拟二进制交叉通过在目标种群中的目标个体以及目标个体的下一个个体中，选取两个相邻目标种群个体的权重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标演化算法的时间序列预测集成方法，其特征在于，包括如下步骤：步骤一，初始化种群：通过数据库调取时间序列并划分为不同种群，对种群进行初始化得到初始化新种群，并对种群中的个体进行归一化处理以保证个体中的权重之和为1；步骤二，非支配排序：通过快速非支配排序依据种群个体权重的非裂解水平对所有权重分层；步骤三，拥挤度排序：通过目标函数计算种群个体权重两侧的两个权重的平均距离得到拥挤系数，依据拥挤系数判断拥挤度并进行排序；步骤四，一对一锦标赛选择：挑选两个目标种群个体，比较其帕累托等级以及拥挤度，并检查目标种群大小是否等于预设定的阈值；步骤五，模拟二进制交叉：在目标种群中的目标个体以及目标个体的下一个个体中，选取两个相邻目标种群个体的权重进行模拟二进制交叉计算；步骤六，多项式变异：在目标种群个体中选取两个相邻的权重进行多项式变异计算；步骤七，种群合并与优选：对多项式变异后的种群进行合并，合并后的种群再通过非支配排序和拥挤度排序进行优选；步骤八，检查循环次数是否达到预设次数：当循环次数未达到预设次数时，返回步骤二重新进行循环；当循环次数达到预设次数时，结束循环，并通过贪心策略求解当前时间步的最佳权重。2.根据权利要求1所述的一种基于多目标演化算法的时间序列预测集成方法，其特征在于，步骤一先对基学习器进行训练，并计算在未来若干个时间片上的预测结果，通过数据库调取时间序列并划分为不同种群，再对种群进行初始化，对于这个种群的每个个体，设置归一化以保证个体中权重之和为1，并且在本步骤之后均不再设置权重之和为1。3.根据权利要求1所述的一种基于多目标演化算法的时间序列预测集成方法，其特征在于，步骤二非支配排序通过快速非支配排序依据种群个体权重的非裂解水平对所有权重分层，进行权重分层的具体步骤为：步骤G1，设定第一目标种群个体的个数为i＝1,
…
,n；步骤G2，设定第二目标种群个体的个数为j＝1,2,
…
,n,且j≠i，比较第一目标种群个体的权重x
i
和第二目标种群个体的权重x
j
之间支配与非支配关系；步骤G3，当不存在第一目标种群个体的权重x
i
优于第二目标种群个体的权重x
j
时，标记x
j
为非支配个体；步骤G4，令i＝i+1，返回至步骤G2，直到找到所有的非支配个体；步骤G5，将找到的非支配个体划分为第一级非支配层，重复上述步骤并以此类推直至目标种群都被分层。4.根据权利要求1所述的一种基于多目标演化算法的时间序列预测集成方法，其特征在于，步骤四一对一锦标赛选择通过随机挑选两个种群个体，比较其帕累托等级以及拥挤度，检查种群大小是否等于预设定的阈值，其具体步骤为：步骤Z1，将初始化新种群归为一个空集；步骤Z2，挑选两个目标种群的个体，比较其帕累托等级，当两个目标种群个体的帕累托等级不同时，选择帕累托等级较低的进入新种群，并跳转到步骤Z4，当两个目标种群个体帕累托等级相同时，则跳转到步骤Z3；
步骤Z3，比较两个目标种群个体的拥挤度，当拥挤度相同时，将第一个目标种群个体加入新种群，当拥挤度不同时，选择拥...

【专利技术属性】
技术研发人员：孙涛，梁宇博，王飞，梅强，徐勇军，
申请(专利权)人：中科厦门数据智能研究院，
类型：发明
国别省市：