[发明专利]一种基于GRU模型的葡萄糖浓度预测方法、设备及介质

权利要求书

1.一种基于GRU模型的葡萄糖浓度预测方法，其特征在于，包括：

获取样本数据集，并对所述样本数据集进行数据预处理，以得到适合模型训练的数据格式；

对所述数据预处理之后的样本数据集进行标准化处理；

将标准化处理后的基于时间序列的样本数据集进行升维处理，划分得到训练集和测试集；

搭建时间序列预测模型，并利用所述时间序列预测模型中的GRU模型对所述训练集和所述测试集进行训练；

通过所述GRU模型进行数据预测，并根据得到的第一葡萄糖浓度数据进行指数平滑处理，得到第二葡萄糖浓度数据，并根据所述第二葡萄糖浓度数据最终预测结果。

2.根据权利要求1所述的方法，其特征在于，获取样本数据集，并对所述样本数据集进行数据预处理，以得到适合模型训练的数据格式，具体包括：

将从多个数据源的获取样本数据进行合并，得到样本数据集，并对所述样本数据集进行数据清洗；

将所述数据清洗后的所述样本数据集中的数据进行数据转换，转换为符合算法要求的格式；

在所述样本数据集中，确定依赖于预测结果的数据中的有效特征，并根据所述有效特征对所述样本数据集进行数据缩减。

3.根据权利要求1所述的方法，其特征在于，对所述数据预处理之后的样本数据集进行标准化处理，具体包括：

通过对所述数据预处理之后的样本数据集进行标准化处理，其中，x_i为样本数据集中的样本序列，分别为样本数据集中的最大值和最小值，y_i为标准化后的样本序列，y_i∈[0，1]且无量纲。

4.根据权利要求1所述方法，其特征在于，划分得到训练集和测试集，具体包括：

通过k折交叉验证法，对样本数据集进行划分和交叉验证，得到训练集和测试集；

并将所述GRU模型通过所述训练集输出的预测结果，作为新的样本训练集。

5.根据权利要求1所述的方法，其特征在于，搭建时间序列预测模型，具体包括：

通过TensorFlow搭建时间序列预测模型，并在所述时间序列预测模型中，在XGBoost的应用场景下，根据所述时间序列增加即时数据的相关特征，以利用均值、标准差、分位数以及拟合得到的线性趋势进行训练。

6.根据权利要求5所述的方法，其特征在于，利用所述时间序列预测模型中的GRU模型对所述训练集和所述测试集进行训练，具体包括：

根据所述时间序列预测模型中，隐藏层的节点数确定GRU模型的个数，其中，所述GRU模型的输出值定义公式为：y＝W·x+b，其中，y表示输出值，x表示输入值，W表示权重值，b表示偏置值；

通过损失函数进行模型训练，所述损失函数为：其中，loss表示损失值，y_i表示预测的输出值，y_real表示输入数据的真实值；

通过SGD算法优化器对所述损失函数进行优化，以在优化过程中，定义梯度下降法的学习率为0.01。

7.根据权利要求1所述的方法，其特征在于，根据得到的第一葡萄糖浓度数据进行指数平滑处理，得到第二葡萄糖浓度数据，具体包括：

根据第一葡萄糖浓度数据在t时刻以及t-1时刻对应的值，确定一次指数平滑值

并根据确定二次指数平滑值其中，a为平滑系数；

根据x_t+T＝_T+_T·T进行指数平滑处理，得到第二葡萄糖浓度数据x_t+T，其中，T为预测超前期数。

8.根据权利要求7所述的方法，其特征在于，根据所述第二葡萄糖浓度数据最终预测结果，具体包括：

将所述第一葡萄糖浓度数据与所述第二葡萄糖浓度数据求均值，得到最终预测结果。