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】
本申请涉及深度学习,尤其涉及一种时间序列的预测方法、装置、设备及存储介质。
技术介绍
1、传统时间序列预测方法是根据现有的按照时间顺序排列的数据搭建数学模型,通过对数学模型的训练优化使之对时间序列数据进行拟合,模型拟合完毕后可用来对未来数据进行预测。传统的预测方法主要有移动平均法、指数平滑法、自回归滑动模型等,但是传统的时间序列预测方法需要大量且平稳的原始数据来训练模型,并且这类方法难以捕获到原始数据中复杂的非线性关系,因此传统的预测模型精度有限。近年来,随着深度学习技术的迅猛发展,许多学者使用深度学习方法如lstm网络模型进行预测并取得了不错的效果,相对于传统方法,它具有多层次的网络结构,能够深入的学习到时间序列数据中和目标相关的特征,还可以自动的把简单特征中的复杂特征提取出来,避免了人工提取特征产生的误差,但是仅仅使用单一的网络模型对于提高预测结果的准确度十分有限。
2、因此,专利技术人提供了一种时间序列的预测方法、装置、设备及存储介质。
技术实现思路
1、(1)要解决的技术问题
2、本申请实施例提供了一种时间序列的预测方法、装置、设备及存储介质,要解决的技术问题是:现有技术难以提高时间序列预测结果的准确度。
3、(2)技术方案
4、第一方面,本申请实施例提供了一种时间序列的预测方法,包括:
5、获取原始时间序列数据;
6、对所述原始时间序列数据进行预处理,得到预处理后数据,其中,所述预处理包括剔除异常数据
7、将所述预处理后数据输入训练好的混合神经网络,得到时间序列预测结果,其中,所述混合神经网络为cnn和lstm混合神经网络。
8、在其中一个实施例中,所述时间序列的预测方法,还包括:
9、获取时间序列数据的训练集和测试集;
10、通过所述训练集和所述测试集对预设的混合神经网络进行训练,得到训练好的混合神经网络。
11、在其中一个实施例中,所述获取时间序列数据的训练集和测试集,包括:
12、获取时间序列数据;
13、根据预设比例将所述时间序列数据划分为训练集和测试集。
14、在其中一个实施例中,所述通过所述训练集和所述测试集对预设的混合神经网络进行训练,得到训练好的混合神经网络,包括:
15、通过所述训练集对预设的混合神经网络进行训练,确定所述混合神经网络的各项参数;
16、通过所述测试集对训练后的混合神经网络进行测试,得到训练好的混合神经网络。
17、在其中一个实施例中,所述对所述原始时间序列数据进行预处理,得到预处理后数据,包括:
18、通过3δ法检测所述原始时间序列数据中的异常数据,并剔除所述异常数据,得到剔除异常后数据;
19、通过k近邻增补法对所述剔除异常后数据进行缺失数据的增补,得到预处理后数据。
20、在其中一个实施例中,所述通过k近邻增补法对所述剔除异常后数据进行缺失数据的增补,得到预处理后数据,包括:
21、获取所述剔除异常后数据中缺失数据的k个最相邻的数据项,确定所述缺失数据与各个所述数据项之间的距离;
22、根据所述数据项和所述距离对所述缺失数据进行增补,得到预处理后数据。
23、在其中一个实施例中,所述将所述预处理后数据输入训练好的混合神经网络,得到时间序列预测结果,包括:
24、将所述预处理后数据输入cnn网络,得到所述cnn网络的输出结果;
25、将所述输出结果输入lstm网络,得到时间序列预测结果。
26、第二方面,本申请实施例提供了一种时间序列的预测装置,包括:
27、数据获取模块,用于获取原始时间序列数据;
28、数据处理模块,用于对所述原始时间序列数据进行预处理,得到预处理后数据,其中,所述预处理包括剔除异常数据和增补缺失数据;
29、结果预测模块,用于将所述预处理后数据输入训练好的混合神经网络,得到时间序列预测结果,其中,所述混合神经网络为cnn和lstm混合神经网络。
30、第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上所述的时间序列的预测方法。
31、第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上所述的时间序列的预测方法。
32、(3)有益效果
33、本申请的上述技术方案具有如下优点:
34、本申请实施例第一方面提供的时间序列的预测方法,使用了cnn+lstm混合神经网络的方式,通过多层网络深入识别数据中的复杂特征,还将原始数据进行了预处理,剔除了异常值,并对缺失项进行了增补,能够捕捉到原始数据中复杂的非线性关系,识别数据中的复杂特征,使得时间序列预测结果更加准确。
35、可以理解的是,上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本文档来自技高网...【技术保护点】
1.一种时间序列的预测方法,其特征在于,包括:
2.如权利要求1所述的时间序列的预测方法,其特征在于,还包括:
3.如权利要求2所述的时间序列的预测方法,其特征在于,所述获取时间序列数据的训练集和测试集,包括:
4.如权利要求2所述的时间序列的预测方法,其特征在于,所述通过所述训练集和所述测试集对预设的混合神经网络进行训练,得到训练好的混合神经网络,包括:
5.如权利要求1所述的时间序列的预测方法,其特征在于,所述对所述原始时间序列数据进行预处理,得到预处理后数据,包括:
6.如权利要求5所述的时间序列的预测方法,其特征在于,所述通过K近邻增补法对所述剔除异常后数据进行缺失数据的增补,得到预处理后数据,包括:
7.如权利要求1所述的时间序列的预测方法,其特征在于,所述将所述预处理后数据输入训练好的混合神经网络,得到时间序列预测结果,包括:
8.一种时间序列的预测装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的时间序列的预测方法。
...【技术特征摘要】
1.一种时间序列的预测方法,其特征在于,包括:
2.如权利要求1所述的时间序列的预测方法,其特征在于,还包括:
3.如权利要求2所述的时间序列的预测方法,其特征在于,所述获取时间序列数据的训练集和测试集,包括:
4.如权利要求2所述的时间序列的预测方法,其特征在于,所述通过所述训练集和所述测试集对预设的混合神经网络进行训练,得到训练好的混合神经网络,包括:
5.如权利要求1所述的时间序列的预测方法,其特征在于,所述对所述原始时间序列数据进行预处理,得到预处理后数据,包括:
6.如权利要求5所述的时间序列的预测方法,其特征在于,所述通过k近邻增补法对所述剔除异常后数...
【专利技术属性】
技术研发人员:谢永健,李昊,黄萌,张剑,王元斌,罗荣,
申请(专利权)人:中船智海创新研究院有限公司,
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。