一种复杂高噪声信号的混合深度学习模型时序预测方法技术

本发明专利技术公开了一种复杂高噪声信号的混合深度学习模型时序预测方法，首先将原始时间序列数据划分为训练集和测试集并生成时间序列，进行归一化预处理后分别对训练集和测试集进行VMD处理；然后利用Prophet模型对数据中的趋势和季节性特征进行建模，输出初步预测结果，并提取残差部分；再使用SARIMA模型对Prophet模型产生的残差部分进行建模，使用LSTM模型对SARIMA模型产生的残差部分进行建模，使用差分进化算法优化LSTM模型的超参数，生成优化的预测结果；最后将三种模型的预测结果进行融合，输出最终预测值。本发明专利技术通过多阶段递进式处理残差，充分利用三种神经网络模型的优势，能够降低噪声对预测的影响，有效捕捉信号中的不同特征，显著提高了预测的准确性与稳定性。

【技术实现步骤摘要】

本专利技术属于信号数据处理，具体涉及一种复杂高噪声信号的混合深度学习模型时序预测方法。

技术介绍

1、随着大数据和人工智能的发展，时间序列数据在各个领域（如海洋、气象、金融、医学等）中广泛应用，成为诸多行业的核心任务，包括气象预报、金融市场分析和交通流量预测。然而，实际应用中，许多信号数据通常受到噪声、周期性波动等因素影响，导致预测难度增大，高噪声信号及其复杂特征给传统的预测模型带来了巨大挑战。传统的预测模型在处理复杂、高噪声信号时存在如下诸多局限性：

2、1.趋势与周期混杂：复杂信号中往往包含多重趋势、季节性和周期性成分，且这些成分相互交织，有效分解这些成分并准确预测未来值是一个挑战；

3、2.单一模型无法捕捉复杂信号的多层次特征：传统的时间序列模型通常只能捕捉数据的某一类特征，难以同时处理信号中的趋势、季节性、噪声和非线性关系；

4、3.残差建模能力不足：基于线性模型的sarima虽然可以对残差进行分析，但在处理非线性强、波动大的残差时效果不佳；

5、4.过拟合与预测稳定性问题：单一深度学习模型（如lst本文档来自技高网...

【技术保护点】

1.一种复杂高噪声信号的混合深度学习模型时序预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的复杂高噪声信号的混合深度学习模型时序预测方法，其特征在于，步骤S1中，所述训练集和测试集按照时间划分的比例为70/30。

3.如权利要求1所述的复杂高噪声信号的混合深度学习模型时序预测方法，其特征在于，所述SARIMA模型的参数通过网格搜索方法选择最优组合。

【技术特征摘要】

1.一种复杂高噪声信号的混合深度学习模型时序预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的复杂高噪声信号的混合深度学习模型时序预测方法，其特征在于，步骤s1中，所述训练...

【专利技术属性】
技术研发人员：魏从信，权紫东，吴桐屹，苏雅欣，庞海阔，纳守威，强娅雄，孟雪儿，董家辉，赵越，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：