[發明專利]時間序列預測方法及相關的時間序列預測電路

在審

• 申請號: 202010003821.6
• 申請日: 2020-01-03
• 公開（公告）號: CN113077040A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 王文山;黎光晏
• 申請（專利權）人: 瑞昱半導體股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/063
• 代理公司: 北京市君合律師事務所 11517
• 代理人: 畢長生;李文晴

本發明提供了一種時間序列預測方法，其包含以下步驟：將一時間序列分別輸入至多個模型中以產生多個預測時間序列；分別使用該多個模型以計算出分別對應到所述多個預測時間序列的多個不確定性參數；根據所述多個不確定性參數來決定出每一個預測時間序列的一權重；以及根據每一個預測時間序列的所述權重來對所述多個預測時間序列進行加權運算，以產生一最終預測時間序列。

技術領域

本發明涉及時間序列預測方法，尤其涉及一種具有集成學習的時間序列預測方法。

背景技術

在一般的時間序列預測方法中，可以采用一個或是多個模型來產生預測時間序列，然而，在采用多個模型的情形下，如何根據多個模型來產生具有高可靠度的預測時間序列是一個重要的課題。

發明內容

因此，本發明的目的之一在于提出一種時間序列預測方法，其可以有效地產生具有高可靠度的預測時間序列，以解決先前技術中所述的問題。

在本發明的一個實施例中，提供了一種時間序列預測方法，其包含以下步驟：將一時間序列分別輸入至多個模型中以產生多個預測時間序列；分別使用所述多個模型以計算出分別對應到所述多個預測時間序列的多個不確定性參數；根據所述多個不確定性參數來決定出每一個預測時間序列的一權重；以及根據每一個預測時間序列的所述權重來對所述多個預測時間序列進行加權運算，以產生一最終預測時間序列。

在本發明的另一個實施例中，提供了一種時間序列預測電路，其包含多個預測電路以及一計算電路。在所述時間序列預測電路的操作中，所述多個預測電路分別使用多個模型來對一時間序列進行處理以分別產生多個預測時間序列，且分別使用所述多個模型以計算出分別對應到所述多個預測時間序列的多個不確定性參數；以及所述計算電路用以根據所述多個不確定性參數來決定出每一個預測時間序列的一權重，并根據每一個預測時間序列的所述權重來對所述多個預測時間序列進行加權運算，以產生一最終預測時間序列。

附圖說明

圖1為根據本發明一實施例的時間序列預測電路的示意圖。

圖2為根據本發明的一種時間序列預測方法的流程圖。

具體實施方式

圖1為根據本發明一實施例的時間序列預測電路100的示意圖。如圖1所示，時間序列預測電路100包含了多個預測電路110_1～110_N以及一計算電路120。在本實施例中，預測電路110_1～110_N分別具有不同的模型，例如圖1所示的預測電路110_1具有第一模型、預測電路110_2具有第二模型、…、預測電路110_N具有第N模型。此外，時間序列預測電路100及其內部組件可以使用硬件電路來實現，或是通過一處理器來執行一描述特定算法的程序代碼來實現。

預測電路110_1～110_N可以包含多個神經網絡模型及/或回歸模型，例如長短期記憶(Long Short-Term Memory，LSTM)神經網絡模型、多層感知器(MultilayerPerceptron，MLP)、其他人工神經網絡(Artificial Neural Network，ANN)模型或是自回歸滑動平均模型(Autoregressive moving average model)…等等。在一實施例中，具有不同層或是不同參數的神經網絡模型可以視為不同的模型，例如預測電路110_1～110_N可以是分別具有不同層或是不同參數的LSTM神經網絡模型；在另一實施例中，預測電路110_1～110_N可以包含不同種類的神經網絡模型，例如預測電路110_1是LSTM神經網絡模型，而預測電路110_2是MLP模型。