[發(fā)明專利]一種基于循環(huán)神經網絡的非平穩(wěn)時序數據預測方法

在審

• 申請?zhí)枺?/td>: 202010542719.3
• 申請日: 2020-06-15
• 公開（公告）號: CN111754033A
• 公開（公告）日: 2020-10-09
• 發(fā)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(yè)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

本發(fā)明提供了一種基于循環(huán)神經網絡的非平穩(wěn)時序數據預測方法，包括以下步驟：讀取數據庫中相應原始時序數據后，采用滑動窗口技術結合局部離群因子算法以及線性插值方法，分別實現原始時序數據中異常值的檢測與缺失值的修正，達到數據預處理的目的；同時，對預處理后數據進行相應的數據重構操作，以適用于有監(jiān)督型模型的輸入；依據前部分中處理后的數據，通過循環(huán)神經網絡方法實現非平穩(wěn)時序數據的滾動預測。本發(fā)明方法對原始時序數據進行了相應預處理操作，不僅實現毛刺數據識別，還實現異常數據與缺失數據的修正，提高預測方法的精度；同時，采用循環(huán)神經網絡方法實現非平穩(wěn)時序數據的滾動預測，大幅提高非平穩(wěn)時序數據預測的精確度。

技術領域

本發(fā)明涉及時序數據預測領域，特別涉及具有非平穩(wěn)、非線性及時序相關性的工業(yè)數據的預測領域，包括水環(huán)境中水質數據、大氣環(huán)境中氣象數據、交通環(huán)境中車流量數據以及電網中用電量數據等。

背景技術

隨著工業(yè)4.0的到來，信息化技術與大數據技術不斷發(fā)展，積極促進了工業(yè)領域的變革。工業(yè)數據的預測是實現工業(yè)智能化控制的基礎，是實現工業(yè)領域綜合管理的重要一環(huán)。但工業(yè)數據具有一定的非平穩(wěn)、非線性及時序相關性，傳統(tǒng)預測方法難以精確預測，科學合理的探究高精度的時序數據的預測方法，可以準確的為決策者提供可靠依據，合理的開發(fā)利用資源，實現智能化控制。

目前，對于時序數據預測領域，國內外學者做了大量的研究。傳統(tǒng)的時序數據預測方法主要有時間序列方法、回歸分析方法、灰色系統(tǒng)理論方法以及神經網絡方法等，這些方法主要適用于在小樣本數據中進行預測，預測精度不高。隨著人工智能的高速發(fā)展，人工智能不斷地滲透到國民生活以及工業(yè)控制的方方面面，深度學習也積極地應用于工業(yè)領域。循環(huán)神經網絡等作為深度學習領域的重要組成成分，由于其充分考慮時序數據的長期依賴關系，能夠很好地處理時序數據。因此，針對非平穩(wěn)、非線性及時序相關性的數據預測，根據深度學習相關算法，提供一種科學有效且保證預測精度的方法是本領域技術人員目前需要解決的技術問題。

發(fā)明內容

本發(fā)明提供一種基于循環(huán)神經網絡的非平穩(wěn)時序數據預測方法，其可針對非平穩(wěn)時序數據進行預測，解決現有技術預測精度不高的問題。

為了解決上述問題，本發(fā)明方法具體包括以下步驟：

一種基于循環(huán)神經網絡的非平穩(wěn)時序數據預測方法，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(huán)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(yōu)化迭代，獲取最小偏差對應的循環(huán)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(huán)神經網絡的網絡參數，對待預測的非平穩(wěn)時序數據進行滾動預測。

進一步的，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(tǒng)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。

進一步的，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；