【技术实现步骤摘要】
本专利技术属于时间序列预测的，更具体地，涉及一种基于深度集成学习模型和高低频分离的时间序列数据预测方法。
技术介绍
1、时间序列预测是许多领域中重要的研究课题，包括金融、气象、医疗和工业等。准确的时间序列预测能够为决策提供有力支持，优化资源配置，提高系统效率。然而，时间序列数据通常面临着许多挑战。首先，时间序列数据普遍具有非平稳性，数据的趋势和波动随着时间的推移而变化，且通常包含长期趋势、季节性波动和短期波动等多尺度特征。其次，数据可能受到噪声和测量误差的干扰，这使得建模更加复杂。特别是对于包含多重周期性、突发性事件或外部因素影响的时间序列，传统的预测方法往往难以捕捉到数据的全部规律和复杂性。因此，如何提高非平稳性时间序列预测的精度，特别是在面临测量噪声和长短期依赖关系时，成为了现代预测技术面临的核心问题。
2、传统的时间序列预测主要采用统计学方法(如arima、灰色预测模型)和机器学习方法(如人工神经网络、支持向量机)。然而，这些方法在处理非线性、非平稳的数据时存在一定的局限性。统计学方法虽然在处理平稳数据时表现良好，但在...
【技术保护点】
1.一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述对得到的数据进行预处理是指，对得到的原始时间序列信号f(t)进行数据清洗和缺失数据补全，所述缺失数据补全采用线性插值法来填补缺失值，具体如下：
3.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述对原始时间序列数据进行VMD变分模态分解包括两个步骤：构造约束变分问题和求解约束变分问题；
4.根据权...
【技术特征摘要】
1.一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述对得到的数据进行预处理是指，对得到的原始时间序列信号f(t)进行数据清洗和缺失数据补全，所述缺失数据补全采用线性插值法来填补缺失值，具体如下：
3.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述对原始时间序列数据进行vmd变分模态分解包括两个步骤：构造约束变分问题和求解约束变分问题；
4.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述步骤s3的具体步骤如下：
5.根据权利要求1所述的一种基于深度集成学习模型和高低频分离的时间序列数据预测方法，其特征在于，所述步骤s4的具体步骤如下：...
【专利技术属性】
技术研发人员：陈振娅，张亚盟，杨明，焦绪国，吴晓明，王鑫，田艳兵，穆超，贺云鹏，刘臣胜，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。