一种基于深度学习模型的时间序列预测方法技术

本发明专利技术公开了一种基于深度学习模型的时间序列预测方法，主要步骤包括：首先对序列数据进行预处理，识别并处理时间序列数据中的缺失值和异常值，确保数据质量，同时进行时间戳提取；然后利用变分模态分解(VMD)模型将原始时间序列分解为多个具有不同频率的子序列，有效区分趋势和周期，并通过归一化处理各子序列；接着引入大预言模型(LLM)，从新闻数据中筛选可能影响时间序列波动的事件，将相关洞察力融入时间序列分析，使得模型能够动态适应外部事件；最后，构建一个基于自注意力机制的长短期记忆网络(LSTM)，并将LSTM网络的输出经过全连接层，映射至目标输出空间并生成最终的预测结果。本发明专利技术结合了统计学方法和深度学习模型的优势，旨在提高复杂时间序列预测的精度，特别是在动态环境和突发事件的影响下，能够更准确地捕捉时间序列的波动变化。

【技术实现步骤摘要】

本专利技术属于时间序列预测领域，尤其是一种基于深度学习模型的时间序列预测方法。

技术介绍

1、时间序列预测在资源管理、决策支持、风险控制、客户体验改善等方面发挥着重要作用。准确的预测能够为组织提供战略优势，提高响应能力和适应性，推动可持续发展。在不断变化的环境中，时间序列预测的意义愈发凸显。

2、目前，时间序列预测的方法主要包括基于统计学的机器学习算法和深度学习模型等。利用基于统计学的机器学习算法进行时间序列分析是实现时间序列预测的重要技术之一，主要通过自回归积分滑动平均模型(arima)和季节性分解(stl)等，分析历史就诊数据，识别趋势、季节性和周期性变化，实现时间序列的预测，这些模型在处理平稳数据时表现良好，能够为短期预测提供基本的参考。深度学习模型在时间序列预测中具有许多优势，包括捕捉复杂非线性关系、处理大规模数据、自动学习特征、捕捉长期依赖关系等，这些优点使得深度学习模型成为实现时间序列预测的重要方法。

3、然而传统的统计模型往往难以捕捉变量之间复杂的非线性关系，并且时间序列分析通常需要稳定性检验和季节性调整，这使得模型的本文档来自技高网...

【技术保护点】

1.一种基于深度学习模型的时间序列预测方法，包括下列几个步骤：

2.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，对输入的时间序列数据中的缺失值和异常值进行处理，同时进行时间戳提取。

3.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，所述步骤S2，将时间序列数据分解成多个时间序列信号，并将时间序列信号进行归一化，使得每个模态信号在频域上具有有限带宽：

4.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，所述步骤S3，利用大预言模型(LLM)，对可能造成序列波动的突发事件新闻进行筛选，并将新...

【技术特征摘要】

1.一种基于深度学习模型的时间序列预测方法，包括下列几个步骤：

2.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，对输入的时间序列数据中的缺失值和异常值进行处理，同时进行时间戳提取。

3.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，所述步骤s2，将时间序列数据分解成多个时间序列信号，并将时间序列信号进行归一化，使得每个模态信号在频域上具有有限带宽：

4.根据权利要求1所述的基于深度学习模型的时间序列预测方法，其特征在于，所述步骤s3，利用大预言模型(llm)，对可能造成序列波动的突发事件新闻进行筛选，并将新闻洞...

【专利技术属性】
技术研发人员：李杭，唐彦，
申请(专利权)人：河海大学，
类型：发明
国别省市：