[發明專利]一種時間序列數據預測方法、系統、介質及設備

在審

• 申請號: 201911333914.9
• 申請日: 2019-12-23
• 公開（公告）號: CN111126694A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 白玉廷;金學波;王小藝;鄭維振;蘇婷立;孔建磊
• 申請（專利權）人: 北京工商大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06
• 代理公司: 北京棘龍知識產權代理有限公司 11740
• 代理人: 戴麗偉

1.一種時間序列數據預測方法，其特征在于，包括：

當獲取的原始數據集的數據量小于預設值時，對所述原始數據集進行數據增廣，獲得多個滿足建立預測模型數據需求的擴充集；

建立每個擴充集對應的預測模型，并確定每個預測模型的預測誤差的協方差；

利用所有所述預測模型對被測數據集進行預測，獲得每個預測模型的預測結果；

將所有預測模型的預測結果通過協方差交叉的方式進行融合，得到最終預測結果。

2.根據權利要求1所述的方法，其特征在于，所述對所述原始數據集進行數據增廣，獲得多個滿足建立預測模型數據需求的擴充集，包括：

利用隨機概率算法對所述原始數據集進行擴展，得到多個滿足建立預測模型數據需求的擴充集。

3.根據權利要求2所述的方法，其特征在于，所述利用隨機概率算法對所述原始數據集進行擴展，得到多個滿足建立預測模型數據需求的擴充集，包括：

對原始數據集{x₁,x₂,…,x_n}隨進行m輪隨機抽樣，每輪隨機抽取n次，每次抽取一個樣本，且抽取后放回原始數據集，每輪抽取的樣本形成一個抽樣集合X^j，1≤j≤m；對應的概率分布參數為θ_j；

根據概率分布參數置信區間(b_l,b_h)中的置信區間上限b_h和每輪樣本抽取次數n得到置信樣本數b：

b＝intfloor(n·b_h)

其中，intfloor代表向下取整，從抽樣集合X^j中均勻地抽取b個樣本，形成置信抽樣集合

多次將s個置信抽樣集合拼接成一個擴充集，得到多個擴充集；

其中，ε是建立預測模型需要的最小數據量，s＝ceiling(ε/n)，ceiling代表向上取整。

4.根據權利要求1至3所述的方法，其特征在于，每個所述擴充集劃分為訓練集和驗證集；所述建立每個擴充集對應的預測模型，并確定每個預測模型的預測誤差的協方差，包括：

將所述擴充集中的時序數據分解為多個分變量，利用訓練集對每個分變量建立對應的門限網絡GRU，所有分變量的門限網絡GRU構成所述擴充集的預測模型；

利用所述門限網絡GRU對驗證集中對應的分變量進行預測，得到每個分變量的預測結果，將每個所述分變量的預測結果進行融合獲得所述驗證集的預測結果；

根據所述驗證集的預測結果和所述驗證集的真實值確定每個擴充集對應的預測模型的預測誤差的協方差。

5.根據權利要求4所述的方法，其特征在于，所述根據所述驗證集的預測結果和所述驗證集的真實值確定每個擴充集對應的預測模型的預測誤差的協方差，計算公式如下：

其中，p_i代表第i個預測模型的預測誤差的協方差，n代表擴充集中樣本數量，代表驗證集的真實值，代表驗證集的預測結果，t為時間步數，i為模型序號。

6.根據權利要求4所述的方法，其特征在于，所述將所述擴充集中的時序數據分解為多個分變量，包括：

運用STL對擴充集中的數據進行模態分解，將時序數據X_t分解為趨勢分量T_t、周期分量S_t和波動分量R_t，獲得對應的三組分變量。

7.根據權利要求1至3任一項所述的方法，其特征在于，所述將所有預測模型的預測結果通過協方差交叉的方式進行融合，得到最終預測結果，包括：

根據每個預測模型的預測誤差的協方差確定每個預測模型的預測誤差的協方差的逆；

根據每個預測模型的預測誤差的協方差的逆及每個預測模型的網絡權重確定總體協方差的逆；

采用序列最小二乘法優化總體協方差的逆，并根據每個預測模型對被測數據集進行預測的預測結果融合得到最終預測結果。