[發明專利]一種基于循環神經網絡的非平穩時序數據預測方法

在審

• 申請號: 202010542719.3
• 申請日: 2020-06-15
• 公開（公告）號: CN111754033A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 陳超波;涂吉昌;王景成;高嵩;劉葉楠;兀育彤;陳明明;衡姣
• 申請（專利權）人: 西安工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06F16/215;G06F16/2458
• 代理公司: 西安新思維專利商標事務所有限公司 61114
• 代理人: 李鳳鳴

1.一種基于循環神經網絡的非平穩時序數據預測方法，其特征在于，包括以下步驟：

步驟(1)、獲取數據庫中一段時間內原始數據；

步驟(2)、對獲取的原始數據預處理操作，實現對異常數據檢測與缺失數據修正；

步驟(3)、將預處理后的數據進行數據重構與標準化，形成特定的輸入形式；

步驟(4)、計算經過循環神經網絡的傳播后，當前輸入數據對應的輸出數據；

步驟(5)、計算上述輸出值與真實數據的偏差，實現最偏差的優化迭代，獲取最小偏差對應的循環網絡參數；

步驟(6)、獲取當前待預測指標的當前時間瞬時數據，并實現相關預處理；

步驟(7)、采用循環神經網絡的網絡參數，對待預測的非平穩時序數據進行滾動預測。

2.如權利要求1所述基于循環神經網絡的非平穩時序數據預測方法，其特征在于，步驟(1)獲取數據庫中一段時間內原始數據包括以下步驟：

步驟(101)、獲取系統中預測時刻前10個月待預測指標的一維時間序列數據；

步驟(102)、數據獲取頻率為10分鐘，積累獲取當前時序指標43200個數據，保存為本地文件。

3.如權利要求1所述基于循環神經網絡的非平穩時序數據預測方法，其特征在于，步驟(2)所述的原始數據預處理操作包括以下步驟：

步驟(201)、對獲取的時序指標數據，按照時間順序一天中144個時序數據劃分為一個時間窗口，并以步長為24滑動時間窗口，依次形成多個時間窗口子序列；

步驟(202)、對每個時間窗口子序列數據，分別進行異常值的檢測；

步驟(203)、對檢測出的異常值以及缺失值，結合當前窗口內數據進行線性插值；

步驟(204)、合并每個時間窗口數據，對重復數據進行中位數替換。

4.如權利要求1所述基于循環神經網絡的非平穩時序數據預測方法，其特征在于，步驟(2)所述的異常數據是指：

超限值：超出該時間窗口內閾值的時序數據；

毛刺值：與相鄰時序數據的偏差均在20％以上的數據；

缺失值：當前時間點，未檢測到數值的時序數據。

5.如權利要求1所述基于循環神經網絡的非平穩時序數據預測方法，其特征在于，步驟(2)所述的異常數據檢測與缺失數據修正包括以下步驟：

步驟(211)、對時序序列數據中的缺失值替換為0數據；

步驟(212)、依次將一維時序數據中相鄰兩個數據映射為二位數組；

步驟(213)、假設當前數據點o與其第k個最近鄰點的距離為d_k(o)，數據點o和o′之間的距離為d(o,o′)，則當前數據點o的k近鄰數N_K(o)，計算公式為：

N_K(o)＝{o'|o'∈D,d(o,o')≤d_k(o)}

步驟(214)、計算數據點o到數據點o′的可達距離d_reach(o,o′)，計算公式為：

d_reach(o,o')＝max{d_k(o),d(o,o')}

步驟(215)、計算數據點o的局部可達密度，計算公式為：

步驟(216)、計算數據點o的局部離群指數LOF_k(o)，計算公式為：

步驟(217)、若數據點o的局部離群指數大于1，則判別為異常數據。

步驟(218)、采用線性插值法對檢測出的異常數據異常數據進行修正。