【技术实现步骤摘要】
本专利技术涉及性能衰退时间序列预测领域，特别涉及一种基于tl-gan的时间序列多尺度融合预测方法。
技术介绍
1、gan的目标是生成与真实样本接近的样本，其中，生成样本与真实样本特征层面的异同完全依赖判别器进行识别，判别器能够识别的特征便会通过生成对抗机制体现在生成样本数据中，判别器不能识别的特征则难以被体现在生成样本数据中。tl-gan技术生成的结果虽然在趋势上与真实样本接近，但在细节层面上，由于判别器分类精度有限，且时间序列离散化和拟合插值等数据处理步骤在进行下采样时无法保留数据的全部细节特征，难以保证细节特征与真实样本一致。换言之，尽管tl-gan技术能够借助额外信息突破小样本数据集生成效果的上限，但tl-gan技术对数据细节特征的生成效果较差，这些细节差异会导致最终预测结果存在一定的误差。
2、单一尺度的时间序列预测方法通常会在历史数据所包含的信息中做出取舍，例如为避免随机噪声和波动的影响，只关注退化曲线整体的长程趋势，对时间序列数据进行过度平滑，这便导致原始时间序列中较小频率尺度的规律与趋势被忽略；又或者以高度拟合...
【技术保护点】
1.一种基于TL-GAN的时间序列多尺度融合预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述N尺度划分采用基于离散小波分解方法。
3.根据权利要求1所述的方法，其特征在于，所述利用TL-GAN时间序列生成技术对所述N尺度下的性能衰退趋势序列数据进行生成处理，得到N尺度下的生成趋势序列数据包括：
4.根据权利要求3所述的方法，其特征在于，所述计算所述目标域样本数据与其对应的源域可迁移样本数据之间N尺度下的领域差异时间序列包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标域样本数据...
【技术特征摘要】
1.一种基于tl-gan的时间序列多尺度融合预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述n尺度划分采用基于离散小波分解方法。
3.根据权利要求1所述的方法，其特征在于，所述利用tl-gan时间序列生成技术对所述n尺度下的性能衰退趋势序列数据进行生成处理，得到n尺度下的生成趋势序列数据包括：
4.根据权利要求3所述的方法，其特征在于，所述计算所述目标域样本数据与其对应的源域可迁移样本数据之间n尺度下的领域差异时间序列包括：
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标域样本数据和所述源域可迁移样本数据...
【专利技术属性】
技术研发人员：马剑，邹新宇，马翔，黄俊杰，丁宇，吕琛，
申请(专利权)人：北京航空航天大学，
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。