System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于时序预测的,具体涉及一种基于双轴级联网络的时序预测方法及装置。
技术介绍
1、随着社会的不断发展和科技的飞速进步,人们对时间序列数据精准预测的需求日益增加。在金融领域,准确的股市预测可以帮助投资者制定更明智的投资策略;在气象领域,精准的气象预测对于农业、交通和灾害管理至关重要;在生产制造领域,有效的生产计划和供应链管理需要对未来需求进行准确预测。为了提高预测准确性和适用性,研究人员一直在探索新的预测建模方法。
2、在过去的研究中,单一模型通常被用于时间序列预测直接建模。比如利用一个循环神经网络rnn来直接建模时序预测任务。然而,随着数据复杂性和多样性的增加,传统的单一模型直接建模方式可能面临性能瓶颈。例如,在多变量时序预测建模任务中,多变量之间的复杂关系和时序依赖关系相互耦合纠缠,使得传统的单一模型直接建模方案力不从心。因此,有必要提出一种更为先进和有效的方法来解决时间序列预测中的挑战。
技术实现思路
1、本专利技术的主要目的在于克服现有技术的缺点与不足,即传统的单一模型直接建模方式难以充分建模多变量时序预测任务中相互耦合纠缠的变量依赖关系和时序依赖关系,提供一种基于双轴级联网络的时序预测方法及装置,采用了独特的双轴级联网络结构,通过分离解耦建模和级联预测的方式有助于模型更好地学习和捕捉特征之间的复杂关系,提高时序预测的准确性。
2、第一方面,本专利技术提供了一种基于双轴级联网络的时序预测方法,包括下述步骤:
3、对历史训练数据进行
4、构建双轴级联网络时序预测模型,用于变量轴与时间轴的目标预测;对历史值进行解耦,获取时间轴、变量轴、变量特征的预测值和目标特征的历史值,所述时间轴表示历史时刻到未来时刻的方向轴,所述变量轴表示变量特征到目标特征的方向轴;利用双轴级联网络时序预测模型对时间轴进行变量轴建模,利用变量特征的预测值对目标特征进行预测,获取目标特征的预测值利用双轴级联网络时序预测模型对变量轴进行时间轴建模,利用目标特征的历史值对目标特征进行预测,获取目标特征的预测值对得到目标特征的预测值和进行加权融合,获取最终预测结果
5、经过多次训练后,利用训练好的双轴级联网络时序预测模型进行时序预测。
6、作为优选的技术方案,所述预处理包括缺失值插值填充、量纲归一化和数据平滑化处理。
7、作为优选的技术方案,所述重要特征筛选,包括以下步骤:
8、计算历史值之间的相关性系数矩阵,根据相关性系数矩阵获取相关性大的历史值;
9、根据设定的阈值,对相关性大的历史值进行排序并选择排序靠前的变量特征,完成重要特征筛选。
10、作为优选的技术方案,所述对历史值进行解耦,具体为:
11、基于分段gru模型构建多变量自回归模型,对变量特征的历史值与变量特征的未来值的时序依赖性进行建模,获取时间轴;利用时间轴对历史值进行预测,获取变量特征的预测值;
12、进行变量轴建模,获取变量轴;利用变量轴对历史值进行预测,得到目标特征的历史值。
13、作为优选的技术方案,所述对时间轴进行变量轴建模,具体为:基于随机森林模型对同一时刻的变量特征与目标特征的变量相关性进行建模。
14、作为优选的技术方案,所述对变量轴进行时间轴建模,具体为:基于分段gru模型构建单变量自回归模型,对目标特征的历史值与目标特征的未来值的时序依赖性进行建模。
15、作为优选的技术方案,所述对得到目标特征的预测值和进行加权融合,如下式:
16、
17、其中,α表示的权重,β表示的权重。
18、作为优选的技术方案,具有多种运行方式,包括时间轴优先的单向双轴级联建模方式,变量轴优先的单向双轴级联建模方式以及双轴级联融合方式;
19、所述时间轴优先的单向双轴级联建模方式,优先获取目标特征的预测值
20、所述变量轴优先的单向双轴级联建模方式,优先获取目标特征的预测值
21、所述双轴级联融合方式,同时获取目标特征的预测值和
22、第二方面,本专利技术提供了一种基于双轴级联网络的时序预测系统,应用于所述的基于双轴级联网络的时序预测方法,包括特征工程模块、模型构建模块和时序预测模块;
23、特征工程模块,用于对历史训练数据进行预处理并进行重要特征筛选,获取变量特征集;所述变量特征集包括历史值;
24、模型构建模块,用于构建双轴级联网络时序预测模型,用于变量轴与时间轴的目标预测;对历史值进行解耦,获取时间轴、变量轴、变量特征的预测值和目标特征的历史值,所述时间轴表示历史时刻到未来时刻的方向轴,所述变量轴表示变量特征到目标特征的方向轴;利用双轴级联网络时序预测模型对时间轴进行变量轴建模,利用变量特征的预测值对目标特征进行预测,获取目标特征的预测值利用双轴级联网络时序预测模型对变量轴进行时间轴建模,利用目标特征的历史值对目标特征进行预测,获取目标特征的预测值对得到目标特征的预测值和进行加权融合,获取最终预测结果
25、时序预测模块,用于经过多次训练后,利用训练好的双轴级联网络时序预测模型进行时序预测。
26、第三方面,本专利技术提供了一种电子设备,所述电子设备包括:
27、至少一个处理器;以及,
28、与所述至少一个处理器通信连接的存储器;其中,
29、所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述的基于双轴级联网络的时序预测方法。
30、本专利技术与现有技术相比,具有如下优点和有益效果:
31、(1)本专利技术通过对变量特征进行解耦形成时间轴和变量轴,将时间轴和变量轴各司其职,使得时间轴建模专注的建模时序依赖关系,变量轴建模专注的建模变量相关性,从而每个子建模过程更容易收敛、更容易学习到正确的依赖关系,最后得以更好地捕捉时序预测任务中特征的复杂模式和变化趋势。
32、(2)本专利技术通过双轴级联网络通过将复杂的单个模型解耦为多个轻量的简单模型,可以显著降低原始建模方案的建模复杂性,从而更加有利于预测模型在实际应用的部署。
33、(3)本专利技术通过有效协同工作的双轴级联网络,在时序预测建模中能够显著提升预测模型的准确性、稳健性和泛化能力。这对于金融、气象和生产制造等领域的实际应用具有重要意义。
34、(4)本专利技术通过对历史数据进行重要特征筛选,分析变量特征之间的相关性系数,挑选出对目标特征影响显著的变量特征,有助于可以减少无关变量的影响,减少模型的复杂性,从而提高建模效率。
本文档来自技高网...【技术保护点】
1.基于双轴级联网络的时序预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述预处理包括缺失值插值填充、量纲归一化和数据平滑化处理。
3.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述重要特征筛选,包括以下步骤:
4.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对历史值进行解耦,具体为:
5.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对时间轴进行变量轴建模,具体为:基于随机森林模型对同一时刻的变量特征与目标特征的变量相关性进行建模。
6.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对变量轴进行时间轴建模,具体为:基于分段GRU模型构建单变量自回归模型,对目标特征的历史值与目标特征的未来值的时序依赖性进行建模。
7.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对得到目标特征的预测值和进行加权融合,如下式:
8.根据权利要求1所述基于双轴
9.基于双轴级联网络的时序预测系统,其特征在于,应用于权利要求1-8中任一项所述的基于双轴级联网络的时序预测方法,包括特征工程模块、模型构建模块和时序预测模块;
10.一种电子设备,其特征在于,所述电子设备包括:
...【技术特征摘要】
1.基于双轴级联网络的时序预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述预处理包括缺失值插值填充、量纲归一化和数据平滑化处理。
3.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述重要特征筛选,包括以下步骤:
4.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对历史值进行解耦,具体为:
5.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述对时间轴进行变量轴建模,具体为:基于随机森林模型对同一时刻的变量特征与目标特征的变量相关性进行建模。
6.根据权利要求1所述基于双轴级联网络的时序预测方法,其特征在于,所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。