[發(fā)明專利]基于條件隨機(jī)場與Stacking算法的時(shí)間序列預(yù)測方法和裝置

有效

• 申請?zhí)枺?/td>: 201810413123.6
• 申請日: 2018-05-03
• 公開（公告）號: 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（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 北京格允知識產(chǎn)權(quán)代理有限公司 11609
• 代理人: 周嬌嬌;李亞東

本公開實(shí)施例涉及一種基于條件隨機(jī)場與Stacking算法的時(shí)間序列預(yù)測方法、裝置、計(jì)算機(jī)存儲介質(zhì)和電子設(shè)備。該方法包括：獲得多個(gè)基預(yù)測器中每個(gè)基預(yù)測器預(yù)測的不同維度的預(yù)測數(shù)據(jù)；將所述多個(gè)基預(yù)測器的一部分預(yù)測數(shù)據(jù)作為驗(yàn)證集，輸入條件隨機(jī)場模型；根據(jù)所述驗(yàn)證集中的預(yù)測數(shù)據(jù)，初始化所述條件隨機(jī)場模型；在所述條件隨機(jī)場模型未收斂期間，結(jié)合Stacking算法，進(jìn)行多次迭代，直到所述條件隨機(jī)場模型收斂為止，得到收斂的條件隨機(jī)場模型；將所述收斂的條件隨機(jī)場模型的輸出確定為時(shí)間序列預(yù)測結(jié)果。

技術(shù)領(lǐng)域

本公開的實(shí)施例涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于條件隨機(jī)場與Stacking算法的時(shí)間序列預(yù)測方法、裝置、計(jì)算機(jī)存儲介質(zhì)和電子設(shè)備。

背景技術(shù)

相比于簡單時(shí)間序列，復(fù)雜時(shí)間序列具有維度更高、更復(fù)雜的特點(diǎn)，這使得復(fù)雜時(shí)間序列的預(yù)測比簡單時(shí)間序列的預(yù)測更加困難。然而相比于簡單時(shí)間序列，復(fù)雜時(shí)間序列更多地源于生活與生產(chǎn)中，例如：音頻、視頻以及工業(yè)生產(chǎn)系統(tǒng)中的各個(gè)運(yùn)行參數(shù)。

針對復(fù)雜時(shí)間序列，常見的一種預(yù)測方法是擴(kuò)展已經(jīng)成功應(yīng)用于簡單時(shí)間序列數(shù)據(jù)上的方法，諸如文獻(xiàn)《Vector Autoregressive Models for Multivariate TimeSeries》與文獻(xiàn)《MARSS:Multivariate Autoregressive State-space Models forAnalyzing Time-series Data》都擴(kuò)展了自回歸模型，使其適應(yīng)高維度的時(shí)間序列；而文獻(xiàn)《A Serial Approach to Handling High-Dimensional Measurements in the Sigma-Point Kalman Filter》則針對高維度的時(shí)間序列改進(jìn)了卡爾曼濾波器。

除了傳統(tǒng)的機(jī)器學(xué)習(xí)方法之外，近年來深度學(xué)習(xí)方法也慢慢涉足時(shí)間序列預(yù)測，文獻(xiàn)《A review of unsupervised feature learning and deep learning for time-series modeling》對此進(jìn)行了一個(gè)回顧；《Deep Learning in Finance》一文則對深度學(xué)習(xí)方法在金融方面的應(yīng)用進(jìn)行了回顧與探討。長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)中一個(gè)重要的模型，也廣泛應(yīng)用于時(shí)間序列的挖掘中。

發(fā)明內(nèi)容

本公開至少一個(gè)實(shí)施例的主要目的在于提供一種一種基于條件隨機(jī)場與Stacking算法的時(shí)間序列預(yù)測方法、裝置、計(jì)算機(jī)存儲介質(zhì)和電子設(shè)備。

第一方面，本公開的實(shí)施例提供了一種基于條件隨機(jī)場與Stacking算法的時(shí)間序列預(yù)測方法，所述方法包括：

獲得多個(gè)基預(yù)測器中每個(gè)基預(yù)測器預(yù)測的不同維度的預(yù)測數(shù)據(jù)；

將所述多個(gè)基預(yù)測器的一部分預(yù)測數(shù)據(jù)作為驗(yàn)證集，輸入條件隨機(jī)場模型；

根據(jù)所述驗(yàn)證集中的預(yù)測數(shù)據(jù)，初始化所述條件隨機(jī)場模型；

在所述條件隨機(jī)場模型未收斂期間，結(jié)合Stacking算法，進(jìn)行多次迭代，直到所述條件隨機(jī)場模型收斂為止，得到收斂的條件隨機(jī)場模型；

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

可選地，在將所述收斂的條件隨機(jī)場模型的輸出確定為時(shí)間序列預(yù)測結(jié)果之前，所述方法還包括：

將所述多個(gè)基預(yù)測器的另一部分預(yù)測數(shù)據(jù)作為測試集，輸入所述收斂的條件隨機(jī)場模型，得到所述收斂的條件隨機(jī)場模型的預(yù)測準(zhǔn)確度；

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

在所述預(yù)測準(zhǔn)確度大于所述預(yù)設(shè)閾值的情況下，將所述收斂的條件隨機(jī)場模型的輸出確定為時(shí)間序列預(yù)測結(jié)果。