欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023107558412
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,通过执行以下步骤,构建时间序列预测模型,并基于时间序列预测模型对目标区域未来数据进行预测;

步骤1:获取目标区域的历史数据,并按时间顺序将历史数据划分为训练集、验证集和测试集;

步骤2:构建时间序列预测模型,将时间序列分解季节项成分和趋势项成分分别进行预测,并基于可逆实例归一化和勒让德投影,得到输出的未来序列数据;

步骤3:设置时间序列预测模型训练环境,通过训练集对时间序列预测模型进行训练,使用梯度函数更新模型参数,直至时间序列预模型达到收敛,得到收敛后的模型;

步骤4:通过验证集对模型进行调优,通过测试集评价模型的性能指标是否达到期望,得到训练完成的时间序列预测模型。

2.根据权利要求1所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤1中,所述训练集、验证集和测试集的比例为6‑7:1:2‑3。

3.根据权利要求1所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤2具体包括以下步骤:步骤2.1:利用季节—趋势分解法将时间序列分解为季节项成分和趋势项成分;

步骤2.2:将季节项成分和趋势项成分分别输入各自的可逆实例归一化层RevIN,可逆实例归一化层RevIN将季节项成分和趋势项成分由原始的分布转换为均值中心分布;

步骤2.3:将均值中心分布的季节项成分和趋势项成分分别输入各自的勒让德投影单元LPU,勒让德投影单元LPU动态更新具有固定大小的时间序列表示向量,获取关键历史信息,最终得到季节项成分和趋势项成分的表示向量;

步骤2.4:将得到的季节项成分和趋势项成分的表示向量分别输入各自的多层感知机神经网络,其完成从历史输入序列的表示向量到未来序列的表示向量的映射,以得到未来序列数据的季节项成分和趋势项成分的表示向量;

步骤2.5:将未来序列数据的季节项成分和趋势项成分的表示向量分别输入各自的勒让德投影单元LPU中的重构单元LPU_R,其将表示向量通过乘以离散勒让德多项式矩阵重构为原始输入的形式,以得到未来序列数据的季节项成分和趋势项成分;

步骤2.6:将未来序列数据的季节项成分和趋势项成分的表示向量输入各自的可逆实例反归一化层,使未来序列数据的季节项成分和趋势项成分恢复为原始的分布;

步骤2.7:将步骤2.6得到的未来序列数据的季节项成分和趋势项成分进行组合,得到最终输出的未来序列数据。

4.根据权利要求3所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤2.1具体为:季节—趋势分解法将时间序列分解为季节项  和趋势项 ,其计算方式定义如下:,

时刻趋势项的值 是通过求 时刻的 时间长度内的平均值得到的,式中 是输入序列 在 时刻的数值, 是移动平均的阶数,决定了趋势项的平滑程度, 越大趋势项越平滑, ,表示中心观测值 和两侧各有的 个观测值可被平均,时刻季节项的值 通过 减去 得到。

5.根据权利要求3所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤2.2中,所述可逆实例归一化层RevIN的处理过程为:计算输入数据的每一个实例 的均值和标准差,均值计算为:

,

标准差计算为:

,

将输入数据 归一化为

,

其中, 是输入序列的长度,γ和β是可学习的仿射参数向量。

6.根据权利要求3所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,所述勒让德投影单元LPU包括投影单元和重构单元,投影单元是将原始信号投影到记忆单元: ,LPU接受一个实值序列,并产生一个N维向量序列;重构单元是从记忆单元重建信号: , 通过乘以离散勒让德多项式矩阵重构为原始输入;

勒让德投影单元是状态空间模型:

,

其中 为 时刻的原始输入信号, 是到 时刻的历史输入的记忆单元,N为勒让德多项式的个数,LPU包含两个预先设定的投影矩阵 和 ,定义如下:  ,

。

7.根据权利要求3所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤2.4中,所述多层感知机神经网络具体计算过程如下:,

其中 和 为多层感知机神经网络各个层之间的连接权重以及偏置,多层感知机神经网络接收历史序列数据的表示向量作为输入,经过计算输出未来序列数据的表示向量。

8.根据权利要求1所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤3中,设置时间序列预测模型训练环境具体为:损失函数采用L2 loss,模型优化器使用ADAM,初始学习率设置为0.0001,bathsize的大小设置为32,训练过程在没有实际提升效果的10个epoch后提前停止。

9.根据权利要求1所述的一种基于时间序列分解和勒让德投影的时间序列预测方法,其特征在于,步骤4具体为:进行预测模型的调优,将验证集输入预测模型,根据预测模型在验证集上的预测结果,确定预测模型的超参数,选取最优的、误差最小的预测模型;将测试集输入预测模型对预测模型的进行测试,根据预测模型的预测结果和测试集中的真实值计算均方误差MSE和平均绝对误差MAE,通过均方误差MSE和平均绝对误差MAE评估模型的性能是否达到期望的标准。