一种基于GRU的多变量时间序列预测方法及计算机程序产品技术

本发明专利技术公开一种基于GRU的多变量时间序列预测方法及计算机程序产品。首先，引入自定义时序分解自适应不同时间序列的动态特性，将原始序列拆分为趋势、季节性和残差成分，以降低数据复杂性并提高可解释性。随后，采用值嵌入模块统一特征表示，以确保模型充分捕获时间依赖关系。在建模阶段，模型采用多通道循环神经网络，分别对三类成分进行独立建模，以减少模式间的干扰，提升学习能力。预测阶段采用特征拼接策略，整合各成分信息，提供更丰富的时序表示。此外，模型设计分段预测策略，将预测过程划分为多时间段，并结合预测信息，减少误差累积，提高长序列预测的稳定性和鲁棒性。实验结果表明，本发明专利技术在不同数据集上均可提高预测精度。

【技术实现步骤摘要】

本专利技术属于一种预测方法，具体涉及一种基于gru的多变量时间序列预测方法及计算机程序产品。

技术介绍

1、时间序列数据是一种按照时间顺序记录的、具有时间依赖性的观测数据，广泛应用于各个领域。时间序列预测是机器学习领域的重要研究方向，在能源消耗预测、天气预报、交通流量预测、金融市场分析以及工业控制等多个实际场景中具有广泛的应用。

2、传统的时间序列预测方法往往依赖于对历史数据的线性建模，然而现实世界中的许多时间序列数据具有复杂的非线性关系。为应对这一挑战，许多研究开始尝试结合深度学习方法，尤其是循环神经网络(rnn)、长短时记忆网络(lstm)、门控循环单元(gru)等架构，它们通过捕捉时间序列中的时间依赖关系来提高预测精度。尽管这些方法在一定程度上改善了预测性能，但它们仍然面临一些挑战，包括如何处理时间序列中的不同成分(如趋势、季节性和残差)的复杂变化模式。此外，近年来基于注意力机制的模型在序列数据建模中得到了广泛应用。自注意力机制能够捕捉长时间依赖关系并建模不同时间步之间的相关性，尤其是在处理长序列时，表现出优于传统rnn和lstm的方法。本文档来自技高网...

【技术保护点】

1.一种多变量时间序列预测方法，其特征在于，包括：

2.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，获取多变量数据序列数据集并进行预处理，以满足模型输入要求，具体包括：

3.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，自定义时序分解，对原始时间序列进行分解，将其拆分为趋势、季节性和残差成分，以降低数据复杂性并提高可解释性，具体包括：

4.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，多通道循环神经网络建模，采用多通道循环神经网络，分别对趋势、季节性和残差成分进行独立建模，以减少不同模式之间的干扰，提高时序特...

【技术特征摘要】

1.一种多变量时间序列预测方法，其特征在于，包括：

2.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，获取多变量数据序列数据集并进行预处理，以满足模型输入要求，具体包括：

3.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，自定义时序分解，对原始时间序列进行分解，将其拆分为趋势、季节性和残差成分，以降低数据复杂性并提高可解释性，具体包括：

4.根据权利要求1所述的一种多变量时间序列预测方法，其特征在于，多通道循环神经网络建模，采用多通道循环神经网络，分别对趋势、季节性和残差成分进行独立建模，以减少不同模式之间的干扰，提高时序特征学习能力，具体包括：

5.根据权利要求1所述的一种多变...

【专利技术属性】
技术研发人员：王威娜，刘智行，古丽娜孜·艾力木江，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：