[發(fā)明專利]基于條件隨機(jī)場(chǎng)與Stacking算法的時(shí)間序列預(yù)測(cè)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201810413123.6
• 申請(qǐng)日: 2018-05-03
• 公開（公告）號(hào): CN108596398B
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計(jì)）人: 王宏志;魏延杰;齊志鑫;高宏
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06N3/08
• 代理公司: 北京格允知識(shí)產(chǎn)權(quán)代理有限公司 11609
• 代理人: 周嬌嬌;李亞東

1.一種用于天氣預(yù)報(bào)的基于條件隨機(jī)場(chǎng)與Stacking算法的時(shí)間序列預(yù)測(cè)方法，其特征在于，所述方法包括：

獲得多個(gè)基預(yù)測(cè)器中每個(gè)基預(yù)測(cè)器預(yù)測(cè)的不同維度的預(yù)測(cè)數(shù)據(jù)；其中抓取天氣后報(bào)網(wǎng)站的數(shù)據(jù)，選用Adaboost、GBDT、隨機(jī)森林算法得到基預(yù)測(cè)器，然后獲得基預(yù)測(cè)器預(yù)測(cè)的位置為的城市第二天的天氣情況作為預(yù)測(cè)數(shù)據(jù)；

將所述多個(gè)基預(yù)測(cè)器的一部分預(yù)測(cè)數(shù)據(jù)作為驗(yàn)證集，輸入條件隨機(jī)場(chǎng)模型；

根據(jù)所述驗(yàn)證集中的預(yù)測(cè)數(shù)據(jù)，初始化所述條件隨機(jī)場(chǎng)模型；

在所述條件隨機(jī)場(chǎng)模型未收斂期間，結(jié)合Stacking算法，進(jìn)行多次迭代，直到所述條件隨機(jī)場(chǎng)模型收斂為止，得到收斂的條件隨機(jī)場(chǎng)模型；其中核函數(shù)κ^m符合以下公式：

式中表示基預(yù)測(cè)器預(yù)測(cè)的維度i的預(yù)測(cè)數(shù)據(jù)，位置與該城市第二天的天氣情況構(gòu)成了表示基預(yù)測(cè)器預(yù)測(cè)的維度j的預(yù)測(cè)數(shù)據(jù)，位置與該城市第二天的天氣情況構(gòu)成了θ_α和θ_β是需要學(xué)習(xí)的參數(shù)，θ_γ是需要學(xué)習(xí)的參數(shù)，distance_i,j表示維度i與維度j之間的距離；

將所述收斂的條件隨機(jī)場(chǎng)模型的輸出確定為時(shí)間序列預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在將所述收斂的條件隨機(jī)場(chǎng)模型的輸出確定為時(shí)間序列預(yù)測(cè)結(jié)果之前，所述方法還包括：

將所述多個(gè)基預(yù)測(cè)器的另一部分預(yù)測(cè)數(shù)據(jù)作為測(cè)試集，輸入所述收斂的條件隨機(jī)場(chǎng)模型，得到所述收斂的條件隨機(jī)場(chǎng)模型的預(yù)測(cè)準(zhǔn)確度；

將所述收斂的條件隨機(jī)場(chǎng)模型的輸出確定為時(shí)間序列預(yù)測(cè)結(jié)果，包括：

在所述預(yù)測(cè)準(zhǔn)確度大于預(yù)設(shè)閾值的情況下，將所述收斂的條件隨機(jī)場(chǎng)模型的輸出確定為時(shí)間序列預(yù)測(cè)結(jié)果。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，將所述多個(gè)基預(yù)測(cè)器的另一部分預(yù)測(cè)數(shù)據(jù)作為測(cè)試集，輸入所述收斂的條件隨機(jī)場(chǎng)模型，得到所述收斂的條件隨機(jī)場(chǎng)模型的預(yù)測(cè)準(zhǔn)確度，包括：

將所述多個(gè)基預(yù)測(cè)器的另一部分預(yù)測(cè)數(shù)據(jù)作為測(cè)試集，輸入所述收斂的條件隨機(jī)場(chǎng)模型，將交叉熵作為損失函數(shù)，利用Adam算法進(jìn)行訓(xùn)練，得到所述收斂的條件隨機(jī)場(chǎng)模型的預(yù)測(cè)準(zhǔn)確度。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述條件隨機(jī)場(chǎng)模型未收斂期間，結(jié)合Stacking算法，進(jìn)行多次迭代，包括：

在所述條件隨機(jī)場(chǎng)模型未收斂期間，以單個(gè)維度為粒度，通過CUDA和TensorFlow并行執(zhí)行多次迭代。

5.一種用于天氣預(yù)報(bào)的基于條件隨機(jī)場(chǎng)與Stacking算法的時(shí)間序列預(yù)測(cè)裝置，其特征在于，所述裝置包括：

獲得模塊，用于獲得多個(gè)基預(yù)測(cè)器中每個(gè)基預(yù)測(cè)器預(yù)測(cè)的不同維度的預(yù)測(cè)數(shù)據(jù)；其中抓取天氣后報(bào)網(wǎng)站的數(shù)據(jù)，選用Adaboost、GBDT、隨機(jī)森林算法得到基預(yù)測(cè)器，然后獲得基預(yù)測(cè)器預(yù)測(cè)的位置為的城市第二天的天氣情況作為預(yù)測(cè)數(shù)據(jù)；

第一輸入模塊，用于將所述多個(gè)基預(yù)測(cè)器的一部分預(yù)測(cè)數(shù)據(jù)作為驗(yàn)證集，輸入條件隨機(jī)場(chǎng)模型；

初始化模塊，用于根據(jù)所述驗(yàn)證集中的預(yù)測(cè)數(shù)據(jù)，初始化所述條件隨機(jī)場(chǎng)模型；

迭代模塊，用于在所述條件隨機(jī)場(chǎng)模型未收斂期間，結(jié)合Stacking算法，進(jìn)行多次迭代，直到所述條件隨機(jī)場(chǎng)模型收斂為止，得到收斂的條件隨機(jī)場(chǎng)模型；其中核函數(shù)κ^m符合以下公式：

式中表示基預(yù)測(cè)器預(yù)測(cè)的維度i的預(yù)測(cè)數(shù)據(jù)，位置與該城市第二天的天氣情況構(gòu)成了表示基預(yù)測(cè)器預(yù)測(cè)的維度j的預(yù)測(cè)數(shù)據(jù)，位置與該城市第二天的天氣情況構(gòu)成了θ_α和θ_β是需要學(xué)習(xí)的參數(shù)，θ_γ是需要學(xué)習(xí)的參數(shù)，distance_i,j表示維度i與維度j之間的距離；

確定模塊，用于將所述收斂的條件隨機(jī)場(chǎng)模型的輸出確定為時(shí)間序列預(yù)測(cè)結(jié)果。