本发明专利技术公开了一种基于分解的多元时间序列预测方法，涉及时间序列预测技术领域，包括步骤如下：S1、对原始多元时间序列进行滑动平均，获得趋势时间序列；S2、利用原始多元时间序列减去趋势时间序列，获得第一时间序列；S3、对第一时间序列进行线性变换，获得季节时间序列；本发明专利技术基于分解架构，将原始多元时间序列进行多级分解，可以高效的提取多元时间序列中的趋势信息及季节信息，有效地提高了预测的准确性，在实际生活中具有很大的应用价值；另外本发明专利技术提出的滑动平均方法，借鉴了传统时间序列预测方法的思想，又利用了深度学习强大的建模能力，因此大幅度提升了预测效果。
【技术实现步骤摘要】
本专利技术涉及时间序列预测，具体涉及一种基于分解的多元时间序列预测方法。
技术介绍
1、时间序列预测是指根据变量过去的观测值预测其未来的值，在现实世界中有着广泛的应用，比如电量预测、天气预测、交通预测等。现有的研究方法主要包括：传统的时间序列预测方法，如滑动平均法以及指数平滑法等；以及基于深度学习的时间序列预测方法：如rnn模型、cnn模型以及transformer模型等。
2、例如，申请号为cn202311072943.0公开了一种基于图神经网络和transformer的多元时间序列预测方法，通过将transformer自动编码器模块和图形卷积模块与时间卷积模块结合在一起，该模型能够捕获数据中的时间和空间依赖性，从而促进对输入数据的更全面的表示，用于能够在提取数据短期和长期依赖的同时更能提取数据的时间和空间信息，但是存在数据依赖性强，拟合矫枉过正的缺陷。
3、现有技术存在以下不足：在上述方法中，传统的时间序列预测方法处理过于简单直接，无法提取时间序列中的全部信息；rnn模型由于其网络结果的自回归性，无法很好的处理较长的时间序列数据，会存在梯度消失、梯度爆炸以及运行时间过长的问题；cnn模型受限于感受野，也无法很好的用于时间序列预测；transformer模型则由于对数据依赖性较强，容易出现过拟合的问题。
4、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
<
p>1、本专利技术的目的是提供一种基于分解的多元时间序列预测方法，本专利技术通过对多元时间序列采用若干次分解，获得趋势时间序列、季节时间序列，并对趋势时间序列和季节时间序列分别进行预测后，并累计求和得出最终预测结果，以解决上述
技术介绍
中的问题。2、为了实现上述目的，本专利技术提供如下技术方案：一种基于分解的多元时间序列预测方法，包括步骤如下：
3、s1、对原始多元时间序列进行滑动平均，获得趋势时间序列；
4、s2、利用原始多元时间序列减去趋势时间序列，获得第一时间序列；
5、s3、对第一时间序列进行线性变换，获得季节时间序列；
6、s4、利用第一时间序列减去季节时间序列，获得第二时间序列；
7、s5、对得到的趋势时间序列和季节时间序列分别进行预测，并相加得到一级预测结果；
8、s6、将第二时间序列作为新的原始多元时间序列重复上述步骤若干次，并将所有得到的一级预测结果相加得到最终预测结果。
9、优选地，所述趋势时间序列的获取逻辑如下：
10、确定原始多元时间序列的长度和采样频率：将原始多元时间序列x0∈rb×l×c进行重新排列得到xa∈rb×c×l，式中，x0表示为原始多元时间序列，b表示为数据集中包含的批量数量，c表示为每个时间步的特征维度，l表示为多元时间序列的长度，r表示为实数集合；
11、选择窗口的大小以确定数据波动和趋势变化的敏感程度：对重排后的时间序列xa∈rb×c×l进行滑动切分处理，得到xb∈rb×c×(l-k+1)×k，式中，k表示为滑动窗口的大小，xa表示为对x0进行重新排列后得到的新的多元时间序列，xb表示为对xa进行滑动切分的时间序列；
12、随机生成一组可学习的滑动窗口权重w0∈rc×k×1，并沿着滑动窗口k维度进行归一化计算，得到归一化权重w∈rc×k×1，式中，w表示为w0沿着k维度进行归一化计算的权重；
13、将滑动切得到的时间序列xb∈rb×c×(l-k+1)×k与归一化权重w∈rc×k×1相乘得到xc∈rb×c×(l-k+1)×1式中，(l-k+1)表示为切分后的窗口个数，1表示为每个窗口中的单个时间步，xc表示为xb加权后的特征结果；
14、将相乘得到的xc∈rb×c×(l-k+1)×1进行重新排列及压缩得到趋势时间序列xtrend∈rb×(l-k+1)×c，式中，通过重新排列和压缩，xtrend提取了切分后时间序列窗口内的趋势信息。
15、优选地，所述第一时间序列的获取逻辑如下：
16、对原始多元时间序列x0∈rb×l×c截取切片得到xd∈rb×(l-k+1)×c，式中，xd表示为对原始多元时间序列x0切片后的时间序列，b表示为数据集中包含的批次的数量，l表示为时间序列的长度，c表示为每个时间步的特征维度，k表示为窗口的大小；
17、使用新得到的切片序列xd∈rb×(l-k+1)×c减去趋势时间序列xtrend得到第一时间序列x1∈rb×(l-k+1)×c，式中，(l-k+1)表示为切分后的窗口个数，x1表示为新得到的切片序列xd减去趋势时间序列xtrend的多元时间序列结果；。
18、优选地，所述季节时间序列的获取逻辑如下：
19、对第一时间序列x1∈rb×(l-k+1)×c进行重新排列得到xe∈rb×c×(l-k+1)，式中，xe表示为第一时间序列x1重新排列的多元时间序列；
20、对重新排列得到的序列xe∈rb×c×(l-k+1)进行线性变换得到序列xf∈rb×c×(l-k+1)，式中，xf表示为xe经过线性变换后的特征序列；
21、对线性变换得到的序列xf∈rb×c×(l-k+1)进行重新排列得到季节时间序列xseason∈rb×(l-k+1)×c，式中，xseason表示为重新排列的xf的季节时间序列。
22、优选地，所述第二时间序列的获取逻辑如下：
23、使用第一时间序列x1减去季节时间序列xseason得到第二时间序列x2∈rb×(l-k+1)×c，式中，x2表示为第一时间序列x1减去季节时间序列xseason的多元时间序列结果。
24、优选地，所述一级预测结果的预测逻辑如下：
25、将趋势时间序列xtrend∈rb×(l-k+1)×c输入到多层感知机1中得到趋势预测结果ytrend∈rb×h×c，式中，b表示为数据集中包含的批次数量，h表示为预测长度，c表示为每个时间步的特征维度，(l-k+1)表示为切分后的窗口个数，ytrend表示为趋势时间序列xtrend输入到多层感知机1的时间序列，多层感知机是一种前向人工神经网络，用于序列预测、分类的任务；
26、将季节时间序列xseason∈rb×(l-k+1)×c输入到多层感知机2中得到季节预测结果yseason∈rb×h×c，式中，yseason表示为季节时间序列xseason输入到多层感知机2中的时间序列；
27、将趋势预测结果ytrend∈rb×h×c与季节预测结果yseason∈rb×h×c相加，得到一级预测结果yi∈rb×h×c，式中，yi表示为趋势预测结果ytrend加上季节预测结果yseason的时间序列。
28、优选地，所述最终预测结果的预测逻辑如下：
29、将第二时间序列x2作为新的原始多元时间序列x本文档来自技高网
...
【技术保护点】
1.一种基于分解的多元时间序列预测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种基于分解的多元时间序列预测方法，其特征在于，所述趋势时间序列的获取逻辑如下：
3.根据权利要求2所述的一种基于分解的多元时间序列预测方法，其特征在于，所述第一时间序列的获取逻辑如下：
4.根据权利要求3所述的一种基于分解的多元时间序列预测方法，其特征在于，所述季节时间序列的获取逻辑如下：
5.根据权利要求4所述的一种基于分解的多元时间序列预测方法，其特征在于，所述第二时间序列的获取逻辑如下：
6.根据权利要求5所述的一种基于分解的多元时间序列预测方法，其特征在于，所述一级预测结果的预测逻辑如下：
7.根据权利要求6所述的一种基于分解的多元时间序列预测方法，其特征在于，所述最终预测结果的预测逻辑如下：
8.根据权利要求7所述的一种基于分解的多元时间序列预测方法，其特征在于，所述原始多元时间序列X0经过多次分解，新的原始多元时间序列X0′的长度在不断减小。
【技术特征摘要】
1.一种基于分解的多元时间序列预测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述的一种基于分解的多元时间序列预测方法，其特征在于，所述趋势时间序列的获取逻辑如下：
3.根据权利要求2所述的一种基于分解的多元时间序列预测方法，其特征在于，所述第一时间序列的获取逻辑如下：
4.根据权利要求3所述的一种基于分解的多元时间序列预测方法，其特征在于，所述季节时间序列的获取逻辑如下：
5.根据权利要求4所述的一种基于分解的...
【专利技术属性】
技术研发人员：王啸虎，赵加坤，邹阳，金程扬，
申请(专利权)人：苏州岽睿微电子科技有限公司，
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。