一种深度学习时间序列预测模型精度提升的方法技术

本发明专利技术提供一种深度学习时间序列预测模型精度提升的方法，包括：从第一数据集获取待测特征对应的时间序列数据；根据待测特征构建第二数据集；将第二数据集输入卷积神经网络，得到提取特征；采用

【技术实现步骤摘要】
一种深度学习时间序列预测模型精度提升的方法


[0001]本专利技术涉及机器学习
，具体而言，尤其涉及一种深度学习时间序列预测模型精度提升的方法
。

技术介绍

[0002]近年来，随着机器学习和深度学习技术的发展，在时间序列预测任务中，越来越多研究人员对其进行深入研究，预测技术也由原本的单一深度神经网络预测模型比如卷积神经网络模型
(CNN)、
长短记忆神经网络模型
(LSTM)、
门控循环单元模型
(GRU)
等向混合深度学习模型演变，出现了卷积
‑
长短记忆混合模型
(CNN
‑
LSTM)
，卷积
‑
门控循环单元模型
(CNN
‑
GRU)
，以及他们的变体卷积
‑
双向长短记忆混合模型
(CNN
‑
BILSTM)
，卷积
‑
双向门控循环单元模型
(CNN
‑
BIGRU)
等混合模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种深度学习时间序列预测模型精度提升的方法，其特征在于，包括：获取第一数据集，所述第一数据集包括与特征对应设置的时间序列数据；从所述第一数据集获取待测特征对应的所述时间序列数据；根据所述待测特征构建第二数据集；将所述第二数据集输入卷积神经网络，得到提取特征；采用
torch.cat
算法将所述提取特征和所述待测特征对应的所述时间序列数据连接，得到混合卷积特征；将所述混合卷积特征输入双向长短记忆神经网络，得到输出向量；采用所述
torch.cat
算法将所述输出向量和所述待测特征对应的所述时间序列数据连接，得到混合双向长短记忆特征；将所述混合双向长短记忆特征输入全连接神经网络，得到所述待测特征的预测结果
。2.
根据权利要求1所述的一种深度学习时间序列预测模型精度提升的方法，其特征在于，获取所述第一数据集，包括：在预设时间段内，每隔预设时间间隔获取一次特征数据组，得到所述第一数据集；所述特征数据组包括多个所述特征对应的数值；选取一个所述特征，将选取的所述特征对应的所有所述数值按照时间顺序排列，得到选取的所述特征对应的所述时间序列数据
。3.
根据权利要求2所述的一种深度学习时间序列预测模型精度提升的方法，其特征在于，根据所述待测特征构建所述第二数据集，包括：所述第一数据集中的所有特征分别与所述待测特征进行相关性计算，选取所述相关性计算值大于
0.7
的所述特征作为相关特征；获取与所述第一数据集相关性超过阈值的第1相关数据集至第
N
相关数据集，所述第1相关数据集至第
N
相关数据集与所述第一数据集的获取方式相同；分别从所述第1相关数据集至所述第
N
相关数据集中挑选出与所述相关特征对应的所述时间序列数据构成所述第二数据集
。4.
根据权利要求1所述的一种深度学习时间序列预测模型精度提升的方法，其特征在于，将所述第二数据集输入所述卷积神经网络之前，还包括：对所述第二数据集进行预处理，包括：检查所述第二数据集是否具有缺失值和
/
或空白值；若不存在所述缺失值和
/
或所述...

【专利技术属性】
技术研发人员：党秀丽，周垠，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：