【技术实现步骤摘要】
本专利技术涉及信息处理，尤其涉及一种基于ewt和集成方法的时序预测方法。
技术介绍
1、时间序列预测是通过多种维度的数据本身内在与时间的关联特性，利用历史数据规律预测未来信息。随着互联网技术的快速发展，时间序列预测技术广泛应用于各个领域，如金融科技、社会科学、交通流量、电力、工业工程等领域。在实际中，时间序列数据往往受到许多复杂因素的影响，如季节性、趋势变化、异常值等。时间序列的准确预测仍然是一个具有挑战的问题，非平稳时间序列数据使用回归拟合、指数平滑法、移动平均、arima等传统方法。
2、回归拟合和移动平均法这些方法通常假设数据是平稳的，对于非平稳的时间序列数据，效果可能不佳，此外，它们可能无法捕捉到复杂的非线性关系。arima模型虽然能够处理一些非平稳的时间序列，但对于某些类型的趋势和季节性变化的建模可能不够灵活。如若使用神经网络，其通常需要大量的数据进行训练，并且训练时间可能较长。在某些情况下，数据不足或者时间不够可能会导致模型性能下降。对于小样本数据，神经网络容易过拟合，导致在新数据上的泛化性能较差。神经网络算法由于其过于关注全局趋势，而忽略了一些细节特征，特别是在数据中存在噪声或异常值的情况下。对于大规模的时间序列数据，选择合适的特征并进行有效的特征工程会很复杂，影响模型性能。进一步的，时间序列中的异常值可能对预测产生较大的干扰，传统方法和一些神经网络模型可能对这些异常值较为敏感，导致预测结果不准确。
技术实现思路
1、本专利技术针对现有非平稳的时间序列数据
2、s1：对时间序列数据进行预处理，得到时间序列数据；
3、s2：根据经验小波变换ewt方法分解时间序列样本数据，获取残差趋势分量和细节分量imf；
4、s3：采用高斯过程回归gpr对残差趋势项进行预测，获取预测的残差趋势项；
5、s4：采用tam-bilstm网络模型对细节分量imf进行预测，获取预测的细节分量；
6、s5：将所述预测的残差趋势项和预测的细节分量叠加重构，获取最终的时间序列的预测结果。
7、进一步的，还提供一种优选方式，所述步骤s2包括：
8、对时间序列数据进行傅里叶变换，将时间序列数据从时域转换到频域；
9、检测频域中局部极值点，获取傅里叶频谱的边界；
10、在傅里叶频谱的边界构建带通滤波器，将时间序列数据通过构建的带通滤波器组进行滤波处理，获取不同频域上的子序列，即残差趋势分量和细节分量imf。
11、进一步的，还提供一种优选方式，所述步骤s3包括：
12、划分数据样本空间：
13、d＝{(a,bi)|i＝1,2,…,n}＝{a,bd}，
14、其中，a＝[a1a2…an]t为n维输入矩阵，ai为k维向量，bi为对应输出标量，bd为输出向量；
15、回归过程将根据样本集学习输入a与bd的映射关系，回归方程为：
16、b＝f(a*)+ε
17、其中，b为考虑噪声后的观测值；f为不考虑噪声的映射关系，a*为输入向量，ε为噪声，且满足噪声均值为0表示高斯过程回归对原样本完全插值，为方差；
18、多元高斯过程为任意输入变量a和a'均满足高斯过程贝叶斯先验分布：
19、f(a)～gp(m(a),k(a’))
20、其中，m(a)为均值函数，k(a,a’)为核函数，f(a)为输入输出的函数关系。
21、进一步的，还提供一种优选方式，所述步骤s4包括：
22、将时间序列数据样本进行归一化处理；
23、通过长度为l的滑动窗口将归一化后的序列切割为等间隔的片段；
24、将切片后的数据输入至tam-bilstm循环神经网络中；
25、计算tam-bilstm循环神经网络输出结果，并记录训练误差，
26、使用自适应优化器最小化损失函数，更新tam-bilstm循环神经网络的参数，获取tam-bilstm网络模型；
27、根据时间序列预测模型进行预测，获取预测的细节分量。
28、进一步的，还提供一种优选方式，所述将切片后的数据输入至tam-bilstm循环神经网络中，包括：
29、ft＝σ(wfht-1+wfxt+bf)
30、it＝σ(wiht-1+wixt+bi)
31、ot＝σ(woht-1+woxt+bo)
32、其中，ht-1为上一时刻隐藏层状态，σ为sigmoid函数，ft为遗忘门，it为输入门，ot为输出门，wf、wi、wo为权重矩阵，bf、bi、bo为偏置项；
33、当前时刻的隐藏层状态ht为：
34、ht＝ottank(ct)
35、其中，ct为当前时刻的lstm单元状态；
36、将bilstm网络隐藏层状态h＝[ht-w,ht-w+1,…,ht-1]输入tam注意力机制层，获得新的ht'，获取预测输出。
37、进一步的，还提供一种优选方式，所述tam注意力机制层为：
38、f(hc,n)＝σ(hc,n×ht)
39、其中,hc,n为hc的第n个行向量，n的最大值根据lstm层隐藏单元数而定,hc为使用以为卷积核提取的时间特征，其中，w同上为时间窗口的大小，ci为第i个卷积核，*为卷积运算：
40、
41、进一步的，还提供一种优选方式，所述方法还包括对tam-bilstm网络模型微调，包括：
42、更新训练数据，将数据集中区间[[n/2]，n]中的数据提取出来与预测集拼接得到新的训练数据集；
43、将v1＝{w1；b1}作为初始参数，作为训练数据，对tam-bilstm网络模型中的网络参数进行微调,得到新的网络参数v2＝v1±{δw，δb}；
44、根据新的网络参数构建更新后的tam-bilstm网络模型。
45、基于同一专利技术构思，本专利技术还提出一种基于ewt和集成方法的时序预测系统，所述系统包括：
46、预处理单元，用于对时间序列数据进行预处理，得到时间序列数据；
47、分解单元，用于根据经验小波变换ewt方法分解时间序列样本数据，获取残差趋势分量和细节分量imf；
48、残差趋势项单元，用于采用高斯过程回归gpr对残差趋势项进行预测，获取预测的残差趋势项；
49、细节分量预测单元，用于采用tam-bilstm网络模型对细节分量imf进行预测，获取预测的细节分量；
50、重构单元，用于将所述预测的残差趋势项和预测的细节分量叠加重构，获取最终的时间序列的预测结果。
51、基于同一专利技术构思，本专利技术还提本文档来自技高网...
【技术保护点】
1.一种基于EWT和集成方法的时序预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述步骤S2包括：
3.根据权利要求1所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述步骤S3包括：
4.根据权利要求1所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述步骤S4包括：
5.根据权利要求4所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述将切片后的数据输入至TAM-BiLSTM循环神经网络中，包括：
6.根据权利要求5所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述TAM注意力机制层为：
7.根据权利要求1所述的一种基于EWT和集成方法的时序预测方法，其特征在于，所述方法还包括对TAM-BiLSTM网络模型微调，包括：
8.一种基于EWT和集成方法的时序预测系统，其特征在于，所述系统包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于储存计算机程序，所
10.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-7中任一项中所述的一种基于EWT和集成方法的时序预测方法。
...【技术特征摘要】
1.一种基于ewt和集成方法的时序预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于ewt和集成方法的时序预测方法，其特征在于，所述步骤s2包括：
3.根据权利要求1所述的一种基于ewt和集成方法的时序预测方法，其特征在于，所述步骤s3包括：
4.根据权利要求1所述的一种基于ewt和集成方法的时序预测方法，其特征在于，所述步骤s4包括：
5.根据权利要求4所述的一种基于ewt和集成方法的时序预测方法，其特征在于，所述将切片后的数据输入至tam-bilstm循环神经网络中，包括：
6.根据权利要求5所述的一种基于ewt和集成方法的时序预测方法，其特征在于，所述tam注意...
【专利技术属性】
技术研发人员：杨智明，高天琪，向刚，俞洋，高晓颖，乔立岩，林瑞仕，姜月明，李东蓬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
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。