[發明專利]基于自適應降噪和集成LSTM的多變量時間序列預測方法

在審

• 申請號: 201910123563.2
• 申請日: 2019-02-18
• 公開（公告）號: CN109919364A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 劉發貴;蔡木慶
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

1.一種基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，包括步驟：

自適應時間序列降噪：自適應時間序列降噪方法包括三個階段，第一階段采用具有自適應噪聲的完全集合經驗模式分解方法對含噪混沌多變量時間序列分解到一系列頻率由高到底的本征模函數；第二階段使用排列熵的思想區分含噪高頻本征模函數和低頻不含噪本征模函數；第三階段構造自適應閾值和自適應閾值函數對含噪本征模函數降噪；

多變量時間序列特征提取：構造堆疊自動編碼器對降噪后的多變量時間序列提取特征，以得到高層次以及降維后的多變量時間序列特征；

多變量時間序列集成預測：基于LSTM神經網絡構造多變量時間序列弱預測器，構造考慮驗證集預測誤差的集成算法組合多個LSTM弱預測器得到強預測器，在提高預測精度的同時也避免了過擬合的風險。

2.根據權利要求1所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的自適應時間序列降噪采用自適應噪聲的完全集合經驗模式分解方法分解含噪混沌時間序列的層次結構，即分解出一系列頻率由高到底的本征模函數。

3.根據權利要求1所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的自適應時間序列降噪采用了排列熵的熵值越大，時間序列越混亂的思想來區分含噪的高頻本征模函數以及不含噪的低頻本征模函數。

4.根據權利要求1所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的自適應時間序列降噪使用自適應閾值來劃分每一個含噪的高頻本征模函數中的含噪數據點和不含噪數據點，并且構造了自適應閾值函數來對含噪本征模函數降噪。

5.根據權利要求1所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的多變量時間序列特征提取，采用了堆疊自動編碼器，逐層提取并降維的方式獲得多變量時間序列的高級特征。

6.根據權利要求1所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的多變量時間序列集成預測，采用于LSTM構造多變量時間序列弱預測器，并使用考慮驗證集預測誤差的AdaBoost集成算法組合多個LSTM弱預測器得到強預測器。

7.根據權利要求6所述的基于自適應降噪和集成LSTM的多變量時間序列預測方法，其特征在于，所述的考慮驗證集的AdaBoost集成算法在每一輪迭代中選取LSTM弱預測器時既考慮到了在訓練集上的預測誤差，也考慮到了在驗證集上的預測誤差，這樣選取的弱LSTM預測器具有更強的泛化能力并且避免了過擬合的風險。