[發明專利]基于多重分形協同度量門控循環單元的預測方法及模型

有效

• 申請號: 202010775496.5
• 申請日: 2020-08-05
• 公開（公告）號: CN112085254B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 張冬梅;余想;李金平
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/0442;G06N3/084
• 代理公司: 武漢泰山北斗專利代理事務所(特殊普通合伙) 42250
• 代理人: 程千慧

本發明涉及基于多重分形協同度量門控循環單元的預測方法及模型，該方法包括以下步驟：對輸入時序數據進行預處理，得到預處理后的時序數據；對處理好的時序數據用滑動時間窗口進行切分，利用多重分形算法計算各時間窗口上的多重分形譜的譜寬Δα,得到時序數據的多重分形譜的譜寬矩陣E，并將門控循環單元中的更新門權重矩陣改進為與譜寬矩陣E相關的權重矩陣，得到改進門控循環單元，利用改進門控循環單元構建網絡模型進行預測。本發明提出的MF?GRU模型采用多重分形技術提取時序數據的波動變化程度特征，并設置動態調整矩陣代替傳統更新門權重矩陣學習數據中的非平穩數據段的變化趨勢，以提升非平穩時序數據的預測精度。

技術領域

本發明涉及時序預測技術領域，具體是一種基于多重分形協同度量門控循環單元的預測方法及模型。

背景技術

時間序列預測在社會的各個領域起著重要的作用，如股價、空氣質量、語音識別等。但實際的時序問題多非平穩，導致傳統預測方法預測非平穩數據序列精度不高。

傳統時序預測方法通過建立適當的數學模型擬合時序趨勢，如ARMA模型、ES模型、邏輯回歸模型等，但難以處理數據的多變量依賴關系導致預測精度較低。基于機器學習的時序預測模型如支持向量回歸、K近鄰算法等，能夠較好處理多變量依賴的時序數據，但易出現過擬合導致預測效果較差。深度神經網絡作為一種高度復雜的非線性系統，在處理多變量依賴的復雜時序數據時具有一定的優勢。循環神經網絡模型存在長期依賴問題，Hochreater和Schmidhuber在RNN基礎上引入門控機制提出長短期記憶模型，以解決RNN的長期依賴問題；Chung等在此基礎上簡化門控機制提出門控循環單元(Gated?RecurrentUnit，GRU)，使得模型具有更快的訓練效率并精度相當；Zhou等提出的最小門控單元，在GRU基礎上進一步簡化模型結構，訓練效率得到進一步提升。但上述模型做的是效率上的提升，在預測性能上趨同，對非平穩時序數據預測效果較差。

發明內容

本發明要解決的技術問題是針對以上不足，提供一種基于多重分形協同度量門控循環單元的預測方法及模型。本發明通過多重分形譜的譜寬量化待預測變量的波動變化程度，建立改進門控循環單元網絡實現非平穩時序數據的訓練和預測。

為解決以上技術問題，本發明采用以下技術方案：

基于多重分形協同度量門控循環單元的預測方法，包括以下步驟：

步驟1、對輸入時序數據進行預處理，得到預處理后的時序數據；

步驟2、利用多重分形算法計算預處理后的時序數據的多重分形譜的譜函數f(α)和譜寬Δα，對于長度為n的時序數據序列X＝{X₁,X₂,…,X_n}，設置滑動時間窗口長度為w，步長為1，利用多重分形算法計算每個時間窗口上的多重分形譜的譜寬Δα_i,得到多重分形譜的譜寬矩陣E＝G^T＝[Δα₁,Δα₂,…,Δα_n-w]^T；

步驟3、將門控循環單元中的更新門權重矩陣改進為與譜寬矩陣E相關的權重矩陣，得到改進門控循環單元；

步驟4、將預處理后的時序數據輸入改進門控循環單元中，得到預測數據；判斷當前迭代次數是否大于或等于預設最高迭代次數，若是則轉到步驟7，若否則轉到步驟4；

步驟5、利用預測數據和實際數據計算損失函數；

步驟6、判斷損失函數是否滿足收斂條件，若是則轉到步驟7；若否則通過優化算法進行誤差的反向傳播，更新改進門控循環單元的權重矩陣和偏置矩陣，當前迭代次數加1后轉到步驟5；

步驟7、輸出預測數據。

進一步的，所述步驟2中利用多重分形算法計算譜寬的方法具體包括以下步驟：