[发明专利]一种时间序列预测方法、装置、电子设备及可读存储介质

权利要求书

1.一种时间序列预测方法，其特征在于，包括以下步骤：

获取交通流量预测任务的历史时间序列数据；所述交通流量预测任务的历史时间序列数据是指距离待预测的时间段的未来数据最接近的若干个时间段内的历史数据；

建立神经网络；所述的神经网络包括初始化层、随机微分方程层和预测层，所述的随机微分方程层中设置有随机微分方程；所述的初始化层用于提取历史时间序列数据的初始化特征映射；所述的随机微分方程层用于利用初始值为初始化特征映射的随机微分方程获取历史序列数据的均值特征和方差特征，所述的均值特征为所述的随机微分方程的解，所述的方差特征为所述的随机微分方程与解对应的扩散系数，所述的预测层用于根据均值特征和方差特征预测未来数据的均值和方差；

利用交通流量预测任务的训练数据集，训练所述的神经网络，以得到训练好的神经网络；

将交通流量预测任务的历史时间序列数据输入训练好的神经网络，通过神经网络获取未来数据的均值和方差；

根据未来数据的均值和方差，获取未来数据的预测区间，其中，所述未来数据是待预测的时间段内所述交通流量预测任务对应的任务数据；所述预测区间表征了任务数据的取值范围，所述的任务数据用于任务决策。

2.根据权利要求1所述的时间序列预测方法，其特征在于，所述的随机微分方程如下：

；

其中，表示随机微分方程的漂移系数；表示随机微分方程的扩散系数；表示神经网络第t个隐藏层的状态或输出；表示漂移项的神经网络参数；表示扩散项的神经网络参数；在所述的随机微分方程表示t时刻的布朗运动状态。

3.根据权利要求2所述的时间序列预测方法，其特征在于，所述的随机微分方程采用欧拉法迭代求解，欧拉法迭代求解的表示公式为：；

其中，表示第次迭代，表示第次迭代时随机微分方程的解，表示第次迭代时随机微分方程的解，表示从标准正态分布采样的一个随机变量，表示每一次迭代的步长。

4.根据权利要求1所述的时间序列预测方法，其特征在于，利用任务的训练数据集，训练所述的神经网络时，所述的神经网络的损失函数由未来数据的均值和方差组成，保证未来数据的均值和方差同时收敛到最优的点，表示公式为：

表示神经网络输出的未来数据的均值；代表神经网络输出的未来数据的方差；表示需最小化的负对数似然损失函数；表示常数项；是一组真实的样本点数据，其中是训练数据集中神经网络的输入数据，是训练数据集中与神经网络输出的未来数据相对应的真实数据；代表样本点的个数，。

5.根据权利要求1所述的时间序列预测方法，其特征在于，还包括以下步骤：根据未来数据的均值和方差获取不确定度，所述的不确定度用于表征神经网络输出的预测区间的可靠程度。

6.根据权利要求1所述的时间序列预测方法，其特征在于，根据未来数据的均值和方差，获取未来数据的预测区间包括以下步骤：

根据未来数据的均值和方差，获取未来数据的预测分布；

根据未来数据的预测分布，获取未来数据的预测区间。

7.根据权利要求1所述的时间序列预测方法，其特征在于，所述的获取交通流量预测任务的历史时间序列数据包括以下步骤：采集任务的实时时间序列数据；

对所述的实时时间序列数据进行归一化处理，得到归一化的时间序列数据；

利用滑动窗口算法将归一化的时间序列数据转化为任务的历史时间序列数据。