[发明专利]基于自适应降噪和集成LSTM的多变量时间序列预测方法

摘要

本发明公开了基于自适应降噪和集成LSTM的多变量时间序列预测方法，用以解决现有方法对具有非平稳、非线性和含噪特点的多变量时间序列预测时性能不稳定以及预测精度低的问题。所述方法包括：采用具有自适应噪声的完全集合经验模式分解方法对含噪混沌多变量时间序列分解得到一系列频率由高到底的本征模函数；采用排列熵的思想区分含噪高频本征模函数和低频不含噪本征模函数；构造自适应阈值和自适应阈值函数对含噪本征模函数降噪；构造堆叠自动编码器对降噪后的多变量时间序列提取特征；基于LSTM神经网络构造多变量时间序列弱预测器；构造考虑验证集预测误差的集成算法组合多个LSTM弱预测器得到强预测器。

主权项

1.一种基于自适应降噪和集成LSTM的多变量时间序列预测方法，其特征在于，包括步骤：自适应时间序列降噪：自适应时间序列降噪方法包括三个阶段，第一阶段采用具有自适应噪声的完全集合经验模式分解方法对含噪混沌多变量时间序列分解到一系列频率由高到底的本征模函数；第二阶段使用排列熵的思想区分含噪高频本征模函数和低频不含噪本征模函数；第三阶段构造自适应阈值和自适应阈值函数对含噪本征模函数降噪；多变量时间序列特征提取：构造堆叠自动编码器对降噪后的多变量时间序列提取特征，以得到高层次以及降维后的多变量时间序列特征；多变量时间序列集成预测：基于LSTM神经网络构造多变量时间序列弱预测器，构造考虑验证集预测误差的集成算法组合多个LSTM弱预测器得到强预测器，在提高预测精度的同时也避免了过拟合的风险。