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数据分析,涉及一种基于stl分解和lstm网络的时间序列预测方法。
技术介绍
1、随着移动互联网的兴起,产生了更多时效性更强、速率更快的实时流数据。传统的离线计算方式并不适用于这类数据,对于流数据的处理和应用需求是在当今我们必将面临的难题和挑战,其中一个实际的需求就是对于流数据进行预测。通过预测流数据的趋势,后续可以应用于异常检测等数据分析当中,是非常重要且必要的。
2、常用于流数据的统计学演变预测模型有自回归移动平均(arma)模型,累计和(cusum)模型,差分自回归移动平均(arima)模型,多变量自回归(varma)模型以及指数加权移动平均(ewma)模型。以上模型通过统计学的方式来对流数据趋势进行预测,但统计学预测模型需要流数据具备平稳性要求才能够获得较好的效果,因而对于变化多端的流数据不具有较好的适用性和较高的拟合度。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提供一种基于stl分解和lstm网络的时间序列预测方法,该方法通过对流数据进行建模、分解,从而解决流数据的趋势预测问题。
2、本专利技术的技术方案如下:
3、一种基于stl分解和lstm网络的时间序列预测方法,其特征在于包括以下步骤:
4、步骤1,对数据进行预处理:将每一段流数据表示成一个时间顺序向量,应用随机森林算法来剔除掉流数据中的突变点和和全局稀疏点,再对剔除的数据空位进行线性插值,从而确保了训练数据本身的平稳度,保证训练的稳
5、步骤2,对流数据进行stl分解:将流数据分解为趋势分量、季节分量和余项分量三个不同的分量,将分解后的各个分量作为新的特征合并进原本的流数据中;
6、步骤3,搭建lstm网络模型:该模型由输入层、两层lstm网络层和一层全连接层组成,低层lstm层的隐藏层可以通过前馈连接与高层lstm层的每个单元完全连接,同时在两层lstm网络层中加入了dropout机制防止模型的过拟合,使用流数据中的前向数据信息作为模型的输入,输出预测的数据信息;
7、步骤4,将分解后合并进新特征的流数据输入lstm网络中,训练lstm网络;
8、步骤5,将流数据送入训练好的网络中进行预测。
9、本专利技术能够适用于大部分流数据,通过调节stl分解参数以及后续神经网络训练超参数,可以获得较好的鲁棒性和准确率。
本文档来自技高网...【技术保护点】
1.一种基于STL分解和LSTM网络的时间序列预测方法,其特征在于包括以下步骤:
【技术特征摘要】
1.一种基于stl分解和lstm网络的时...
【专利技术属性】
技术研发人员:栾晓丹,
申请(专利权)人:北京航天长峰科技工业集团有限公司,
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。