[發明專利]一種多元時間序列的預測方法

在審

• 申請號: 202110275355.1
• 申請日: 2021-03-15
• 公開（公告）號: CN112925829A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 朱思宇
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 深圳得本知識產權代理事務所(普通合伙) 44762
• 代理人: 袁江龍

本發明公開了一種多元時間序列的預測方法，包括如下步驟：多元時間序列建模；對多元時間序列進行預處理，包括非平穩數據的平穩化、含噪聲數據噪聲濾除、不同量綱數據歸一化以及相空間重構；然后根據數據的特點，建立適合的預測模型，預測模型主要分為全局預測模型、局域預測模型以及自適應預測模型三大類；全局預測模型，對所有觀測樣本均視為研究對象，通過建立相應的非線性映射關系實現對未知系統動態特性的研究。本發明建立多元序列的非線性預測模型，使得預測精度高，計算復雜度低，模型具有很好的適應性，并且具有較高的在線預測精度。

技術領域

本發明涉及時間序列預測技術領域，尤其涉及一種多元時間序列的預測方法。

背景技術

時間序列預測已經在工業、金融、軍事等領域中得到了廣泛的應用，由于實際生活中的時間序列大多呈現非線性和不穩定性，因此對于非線性和不穩定時間序列的預測問題一直備受各個領域中研究學者的關注。目前，對于非線性和不穩定時間序列進行預測的主要方法之一是采用回聲狀態網絡(Echo State Network，ESN)。ESN的特點是在訓練時只需訓練儲備池至輸出層的輸出權重，解決傳統神經網絡存在的易陷入局部最優、訓練算法復雜等問題。因此，計算輸出權重是回聲狀態網絡學習的關鍵。然而，現有的時間序列的預測是，由于網絡輸出和訓練過程中誤差的影響，造成計算效率不高

發明內容

基于背景技術存在的技術問題，本發明提出了一種多元時間序列的預測方法。

本發明提出的一種多元時間序列的預測方法，包括如下步驟：

S1多元時間序列建模；

S11對多元時間序列進行預處理，包括非平穩數據的平穩化、含噪聲數據噪聲濾除、不同量綱數據歸一化以及相空間重構；

S12然后根據數據的特點，建立適合的預測模型，預測模型主要分為全局預測模型、局域預測模型以及自適應預測模型三大類；

S121全局預測模型，對所有觀測樣本均視為研究對象，通過建立相應的非線性映射關系實現對未知系統動態特性的研究；

S122局域預測模型僅選擇部分相鄰樣本建立映射關系，根據模型性質的不同，局域預測模型可分為線性和非線性兩種；

S123自適應預測模型，能夠根據當前觀測數據以及模型誤差自適應調整參數，適用于數據缺失或者訓練數據不足的情況；

S2建立回聲狀態網絡預測模型；

回聲狀態網絡是一種三層遞歸神經結構，包括輸入層、隱含層和輸出層，隱含層又稱儲備池，含有成百上千個稀疏遞歸連接的神經元；

S21回聲狀態網絡參數選擇與結構優化；

S22回聲狀態網絡學習計算，計算儲備池到輸出層之間的輸出連接權值；

S23稀疏在線高斯過程回聲狀態網絡，迭代學習復雜的時序動態并產生預測分布，同時進行稀疏化；

S24建立回聲狀態網絡組合模型；

線性逆模型與回聲狀態網絡結合，小波方法與回聲狀態網絡結合，模糊邏輯系統與回聲狀態網絡結合，單層神經網絡與回聲狀態網絡結合，稀疏高斯過程與回聲狀態網絡結合，專家系統與回聲狀態網絡結合。

優選的，所述步驟S21儲備池主要參數包括激活函數類型、儲備池的規模、內部連接矩陣的譜半徑、稀疏度以及輸入變換系數。

優選的，所述步驟S21神經元是儲備池的基本信息處理單元，包括三個要素，第一要素是突觸，以神經元間的連續權值或強度作為特征，第二個要素是加法器，輸入信號經突觸加權后求和，第三個要素是激活函數，控制神經元的輸出副值。

優選的，所述步驟S23稀疏化包括降維方法以及正則化方法。