[發明專利]非線性時序數據預測的誤差消融處理方法及系統與介質

有效

• 申請號: 202210217929.4
• 申請日: 2022-03-08
• 公開（公告）號: CN114358213B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 金敏;張寒雪
• 申請（專利權）人: 湖南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q50/06;G06Q50/26
• 代理公司: 長沙楚為知識產權代理事務所(普通合伙) 43217
• 代理人: 陶祥琲

本發明一種非線性時序數據預測的誤差消融處理方法及系統與介質，包括：獲取非線性時序參數的歷史數據及多元溯源型相關數據并進行規范化預處理；提取多元溯源型相關數據的特征值構成數據集；對數據集多重采樣獲得多個樣本集；獲取多個預設的不同算法分別訓練多個樣本集，得到多個算法模型；通過多算法模型構建融合矩陣；采用GRU和Transformer競爭算法對每個融合矩陣進行動態學習，評估性能較優的算法作為誤差消融算法；結果預測。本發明還提供對應預測系統與存儲介質。本發明的方法能有效降低支持向量算法或決策樹算法等機器學習算法可能出現的過擬合，增強泛化能力，學習到每個算法的優點，降低預測誤差，提高結果的預測精度。

技術領域

本發明涉及非線性時序數據的處理領域，特別涉及一種非線性時序數據預測的誤差消融處理方法及系統與介質。

背景技術

非線性時序數據預測在工業、交通等領域對于智能電網的管理規劃、電網經濟調度運行、交通運輸規劃與管理具有重要意義。隨著我國電力系統建設的不斷完善和推進，非線性時序電力負荷數據的準確預測能保證智能電網穩定運行、能源優化配置的重要工作。非線性時序交通流量數據的準確預測能夠對城市交通協調與控制起著關鍵作用。電力負荷變化與交通流量變化都表現為強非線性時序數據的非線性和隨機干擾特性。

LSSVM（Least Squares Support Vector Machine，最小二乘支持向量機）是標準SVM（Support Vector Machine，支持向量機）的一種擴展，能克服神經網絡結構難以確定和標準SVM的缺點，降低計算復雜度，加快求解速度，在負荷增長時預測效果依然較好，但LSSVM對異常值的魯棒性不夠好，且訓練參數需要通過尋優的方法獲得，增加了訓練時間和難度。集成學習預測方法主要有隨機森林（RF，Random Forest） 、GBRT(Gradient BoostingRegression Trees，梯度提升回歸樹)，這兩種算法本質是樹型算法，克服了LSSVM的缺點，對異常值的魯棒性好，訓練所需參數少，預測精度較高，但GBRT算法在迭代過程中可能出現過擬合問題。用RF算法去學習一個回歸模型，將模型的預測輸出初始化GBRT（即iGBRT），可以有效避免過擬合問題，且訓練效率更高，預測性能相比RF和GBRT有所提升 ，但樹型算法在負荷增長較大時預測精度不高。

針對上述LSSVM和iGBRT算法的優缺點以及在訓練時可能出現過擬合，泛化能力受限，在模型預測時，支持向量算法或決策樹算法在相同的時間點上預測效果不一樣，對于非線性時序數據的預測精度仍有提升空間等問題。

專利文獻CN105761488A公開一基于融合的實時極限學習機短時交通流預測方法，主要種基于短時交通流實時性、準確性、可靠性三大特征和融合的實時極限學習機來預測短時交通流。基于簡化的單隱層前饋神經網絡結構，能夠在交通流峰值期快速的訓練歷史數據并能增量地更新到達的數據，在保證一定預測精度的同時節省學習時間。

專利文獻CN112801388A公開一種基于非線性時間序列算法的電力負荷預測方法及系統，采用的是非線性時間序列算法對未來時間段的每日用電負荷進行預測，其主要基于BPNN（Back Propagation Neural Network，反向傳播神經網絡）回歸模型的自動化尋優方法，減少人工調參工作量，有效降低模型構建難度，進一步提高模型構建效率和預測精度。

專利文獻CN108011367A公開一種基于深度決策樹算法的電力負荷特性挖掘方法，該方法通過采用深度決策樹算法來對電力負荷特性進行深度的挖掘，以提高預測效率和精度。

但以上算法的預測精度都有進一步提升的空間。

發明內容

本發明要解決的技術問題是：提供一種非線性時序數據預測的誤差消融處理方法及系統與介質，其目的在于有效降低數據處理過程中采用支持向量算法或決策樹算法等機器學習算法可能出現的過擬合問題，增強泛化能力，學習每個算法的優點，進而提高非線性時序參數的預測精度。