[發明專利]一種自適應的時序信號方向性預測方法

在審

• 申請號: 202010174003.2
• 申請日: 2020-03-13
• 公開（公告）號: CN111460913A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 馬旭;房震
• 申請（專利權）人: 北京理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06Q10/04;G06Q40/06
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 劉西云;李微微

本發明提供一種自適應的時序信號方向性預測方法，采用LSTM網絡結合BN層和全連接層，既適用于線性信號模型，也適用于非線性信號模型，尤其適用于具有顯著時域連續性的時序信號，能夠有效提高網絡對方向劇烈變化的時間點的預測能力；此外，本發明還采用多個獨立訓練的LSTM?BN網絡對時序信號的方向性進行獨立預測，再對多個預測結果進行投票的方法，顯著提高了預測準確率和穩定性。

技術領域

本發明屬于時序信號預測、深度學習技術領域，尤其涉及一種自適應的時序信號方向性預測方法。

背景技術

隨著社會信息化程度的提高，對時序數據進行高效分析和精準預測的重要性日益凸顯。時序信號涉及到的領域十分廣泛，如GPS數據、天氣數據、國家外匯儲備數據和股票價格數據等等。在涉及到時序數據分析和預測的很多領域中，需要對時序信號進行精準預測。

時序信號的預測模型可大致分為兩種類型，線性模型和非線性模型。針對線性模型有很多行之有效的預測方法，如傳統的時間序列預測方法中的帶控項的自回歸模型(CAR)、滑動平均模型(MA)以及自回歸滑動平均模型(ARMA)。CAR、MA和ARMA等都屬于統計學范疇的線性模型，適用于具有季節性、周期性等特征平穩的時間序列預測。但是，在實際生產生活中，人們涉及到的大部分時間序列信號都是非線性的，具有非線性、非平穩甚至隨機性的特點。由于線性模型不能全面反映時間序列的復雜變化特性，因此利用現有的線性模型進行非線性時序信號的預測，往往得不到有價值的預測結果。

近年來，隨著神經網絡和深度學習相關研究的推進，利用BP(back propagation,BP)神經網絡或循環神經網絡(recurrent neural network,RNN)進行非線性時序信號預測的方法被廣泛研究。人工神經網絡在非線性時序信號預測中表現出了良好的學習能力，并且不需要先驗知識的積累，比較適合于實際工作中的非線性時序信號預測。

相關研究表明，RNN特別是其中的長短時記憶神經網絡(long short-term memorynetwork,LSTM-Net)可以解決梯度消失問題，并且能夠學習到時序信號之間的長期依賴關系，在具有高度時間依賴性的時序信號的預測中表現出了較高的預測性能。

但是，針對非線性程度很高的時序信號，單純地使用LSTM-Net進行回歸或者分類預測，很難得到一個穩定的預測結果，并且過擬合現象較為嚴重。即便是對非線性程度不是很高的時序信號進行預測時，網絡在信號發生劇烈變化的時刻的預測結果也并不理想，并且網絡的預測結果整體上會表現出一定的“延遲”性。

同時，盡管LSTM-Net可以學習到時序信號之間的長期依賴關系，但是在如股票價格數據、天氣數據等具有顯著時間持續性的非線性時序信號的預測中，隨著訓練數據集與測試數據集的時間間隔不斷增大，網絡的預測能力會呈現一個下降的趨勢。

綜上，針對具有顯著時域連續性、非線性和非平穩特性的時序信號，需要提出一種自適應的時序信號方向性預測方法，以提升現有預測方法的性能。

發明內容

為解決上述問題，本發明提供一種自適應的時序信號方向性預測方法，能夠顯著提高了預測準確率和穩定性。

一種自適應的時序信號方向性預測方法，包括以下步驟：

S1：采用s個獨立訓練的LSTM-BN網絡分別對時序信號的方向性進行預測，得到s個獨立的預測值，其中，LSTM-BN網絡包括LSTM網絡、BN層、激活層以及全連接層，方向性包括上升與下降，s為大于或等于3的奇數；

S2：對s個獨立的預測值進行投票操作，投票占多數的預測值為時序信號的最終預測結果。

進一步地，所述LSTM-BN網絡的訓練方法為：

S101：根據下式計算原始時序信號數據X對應的原始變化率數據R：