[发明专利]一种基于时间卷积和LSTM的时间序列预测方法

摘要

本发明公开了一种基于时间卷积和LSTM的时间序列预测方法，包括：获取时间序列预测问题的样本数据，包括时间序列和预测目标序列；采用不同的超参数组合，建立基于TC‑LSTM模型的多个候选模型；对时间序列进行预处理，得到窗口序列和目标集，并通过划分得到训练集和测试集；利用训练集对候选模型进行训练；利用训练好的候选模型对测试集中的窗口序列子集进行预测，并计算每一个候选模型的预测结果与测试集中的目标集子集的均方根误差；选取均方根误差最小的候选模型作为预测模型；对待预测的时间序列进行预处理，得到待预测的窗口序列，然后利用预测模型对待预测的窗口序列进行预测，得到预测目标值。本发明能够提高时间序列预测的准确度。

主权项

1.一种基于时间卷积和LSTM的时间序列预测方法，其特征在于，包括如下步骤：(1)获取时间序列预测问题的样本数据，包括时间序列X＝{X0,X1,…Xt}和预测目标序列Y＝{y1,y2,…yt+1}；其中，t为截止时刻，Xi和yi+1分别为i,0≤i≤t时刻的特征向量和预测目标；(2)随机初始化一组超参数，包括模型迭代次数、时间卷积层输入序列长度p以及模型学习率；(3)根据设定的超参数，建立基于TC‑LSTM模型的候选模型；所述TC‑LSTM模型依次包括时间卷积层、LSTM层以及线性变换层；所述时间卷积层为一个卷积神经网络，其输入为时间序列中t时刻之前长度为p的一段特征向量序列，用于提取区域性特征向量Cont；所述LSTM层为一个长短时记忆网络，其输入为所述特征向量Cont和时间序列中t时刻的特征向量，用于学习数据在时间上的依赖关系；所述线性变换层用于通过线性变换将所述LSTM层的输出向量转换为预测目标值；(4)对所述时间序列X进行预处理得到窗口序列W＝{Z0,Z1,…Zt‑p}，并截取预测目标序列的子集{yp,yp+1,…yt+1}作为目标集T，其中，所述窗口序列W中的元素Zj用于预测目标集中的元素yj+p+1，j的取值范围为0～t‑p；在时间维度上将所述窗口序列W和所述目标集T均按照比例r进行划分，得到训练集和测试集，所述训练集和所述测试集均包括一个窗口序列子集和对应的目标集子集；利用所述训练集对所述候选模型进行训练；其中，r为根据经验设定的比例值；(5)利用训练好的候选模型对所述测试集中的窗口序列子集进行预测，并计算每一个候选模型的预测结果与测试集中的目标集子集的均方根误差；(6)调整模型迭代次数、时间卷积层输入序列长度p以及模型学习率，并执行步骤(3)～(5)，得到多个训练好的候选模型及每个候选模型对应的均方根误差，选取其中均方根误差最小的候选模型作为预测模型；(7)对待预测的时间序列进行预处理，得到待预测的窗口序列，然后利用所述预测模型对所述待预测的窗口序列进行预测，得到预测目标值。