“时间序列预测”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果2633559个，建议您升级VIP下载更多相关专利

[发明专利]一种多变量扭曲时间序列预测方法-CN201711267794.8有效
发明人：庞宁;李旻浩;赵翔;肖卫东;殷风景;葛斌;张啸宇 -专利权人：中国人民解放军国防科技大学
申请日： 2017-12-05 - 公布日： 2022-03-11 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种多变量扭曲时间序列预测方法，所述预测方法包括如下步骤：1建立训练样本集；2构建多变量时间序列卷积神经网络模型；所述多变量卷积神经网络模型至少包括依次连接的输入层、特征提取层、卷积层模块、各变量全连接层、所有变量全连接层和输出层；3训练多变量时间序列卷积神经网络模型；4组装多变量时间序列卷积神经网络模型,得到的多变量时间序列预测系统；5利用多变量时间序列预测系统对电力消耗的多变量时间序列进行预测该方法用于对电网系统的电力消耗进行预测，克服了传统方法没有充分利用序列抽象特征、容易受到数据扭曲影响的缺点，可以降低扭曲数据对预测结果精度的影响，可靠性强。
一种多变扭曲时间序列预测方法

[发明专利]一种基于时间序列智能预测的企业异动预警方法-CN201811582052.9有效
发明人：蒋昌俊;王鹏伟;章昭辉;张翔 -专利权人：东华大学
申请日： 2018-12-24 - 公布日： 2023-03-21 - 主分类号： G06F16/953 文献下载
摘要：本发明涉及一种基于时间序列智能预测的企业异动预警方法，包括以下步骤：使用网络爬虫技术获取网络新闻文本以及新闻的发布时间，并进行数据预处理；将数据转化为时间序列，并划分为时间序列段，用来进行时间序列预测；使用时间序列智能预测模型进行时间序列预测；通过文本聚类进行预警信息的挖掘，找到簇的中心文本作为预警新闻。
一种基于时间序列智能预测企业预警方法

[发明专利]一种基于时间序列预测模型的大坝变形监测分析方法-CN202211386990.8在审
发明人：张庆斌;杨茂盛;卢翔峰;田昕;赵之星;张掌权;刘志奇;李毅韬;张淼;马志国;张凯;李峰 -专利权人：中晋环境科技有限公司
申请日： 2022-11-07 - 公布日： 2023-06-27 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于时间序列预测模型的大坝变形监测分析方法，属于大坝监测技术领域，解决了现有时间序列在大坝形变监测无完整的方案、不能精准预测大坝未来形变规律等技术问题。解决方案为：一种基于时间序列预测模型的大坝变形监测分析方法，包括以下步骤：1)采集数据；2)数据预处理；3)评价时间序列数据；4)检验时间序列数据的平稳性；5)检验时间序列数据的随机性；6)选用模型；7)估计模型参数；8)拟合建模；9)预测时间序列数据未来值。与现有技术相比，本发明具有时间序列数据与大坝变形监测结合、精准预测大坝未来形变趋势等优点。
一种基于时间序列预测模型大坝变形监测分析方法

[发明专利]一种客流预测方法、装置及存储介质-CN202210460360.4在审
发明人：苏焕银;彭舒婷;官桧锋 -专利权人：五邑大学
申请日： 2022-04-28 - 公布日： 2022-07-29 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种客流预测方法、装置及存储介质，其中方法包括：根据历史售票数据得到客流时间序列；对客流时间序列进行分解，得到若干个平稳的子序列，每个子序列在中心频率周围是紧密的；对若干个平稳的子序列进行重构，得到重构客流时间序列；将重构客流时间序列输入至训练好的预测模型进行预测，得到预测客流量；模型的隐藏神经元个数和迭代次数的有效增加可以降低预测误差；提高了预测精度；分布特征整体一致，能够较好的拟合旅客出行需求的时变特征
一种客流预测方法装置存储介质

[发明专利]一种基于数据重构的电力负荷短期预测方法-CN201410352889.X有效
发明人：胡蕾;辛建波;范瑞祥;秦红三;陈亚慧;蔡鸿 -专利权人：国家电网公司;国网江西省电力科学研究院
申请日： 2014-07-23 - 公布日： 2017-04-12 - 主分类号： G06Q10/04 文献下载
摘要：一种基于数据重构的电力负荷短期预测方法，该方法首先对原始数据集进行数据预处理，得到训练样本集；对样本集进行以天为周期的数据重构，得到重构子序列集合；对每一个重构子序列，分别建立时间序列模型；分别求解每一个重子序列下未来步的时间序列预测值；对预测结果进行时间序列重排，得到未来时间段的预测值序列。本发明提供一种可操作性强的、基于数据重构的电力负荷短期预测方法，实现台区电力负荷的准确预测。
一种基于数据电力负荷短期预测方法

[发明专利]一种基于CEEMDAN的金融时间序列组合预测方法-CN201910309891.1在审
发明人：李智;冯苗;李健 -专利权人：四川大学
申请日： 2019-04-17 - 公布日： 2019-10-11 - 主分类号： G06Q10/02 文献下载
摘要：本发明公开了一种基于适应性噪声的完全集合经验模态分解(CEEMDAN)的金融时间序列组合预测方法。该发明首先通过CEEMDAN将金融时间序列分解成本征模函数(IMF)子序列和余项。而后将长期短期记忆(LSTM)与支持向量回归(SVR)组合构建预测模型分别用于预测IMF子序列和余项。最后，将各个预测序列重构得到预测结果。实验结果表明，与单LSTM模型，SVR模型，多层感知器(MLP)模型和其他混合模型相比，该预测模型在金融时间序列的短期预测中表现出更好的性能，解决了现有金融时间序列预测方法过程繁琐，难以对非线性和非稳定性金融数据进行直接预测及预测准确率低的问题
预测时间序列金融预测模型子序列集合经验模态分解时间序列分解时间序列预测支持向量回归多层感知器短期预测非稳定性混合模型金融数据序列重构预测结果模函数准确率构建噪声表现

[发明专利]一种基于相关性的时间序列数据多步预测方法和系统-CN201710390314.0在审
发明人：袁长田;崔莉;赵泽 -专利权人：中国科学院计算技术研究所
申请日： 2017-05-27 - 公布日： 2017-10-20 - 主分类号： G06Q10/04 文献下载
摘要：本发明涉及一种基于相关性的时间序列数据多步预测方法和系统，包括根据待测时间序列数据中相邻时间点数据间的相关性，设置输出长度和回归阶数，并根据输出长度和回归阶数将待测时间序列数据拆分为输入输出数据对集合；将输入输出数据对集合为多输出高斯过程模型的训练数据，训练生成预测模型，将待测时间序列数据输入预测模型，得到最终预测值，直到最终预测值的总个数否大于或等于预测步长，输出最终预测值。本方法利用待测时间序列数据中相邻时间点数据间的相关性，基于多输入多输出策略，使用多输出高斯过程模型同时预测多个未来值，同时用迭代的方式逐步向后预测，具有高预测准确度。
一种基于相关性时间序列数据预测方法系统

[发明专利]基于多元时序数据分析的高精度长期时间序列预测方法-CN202111539166.7在审
发明人：王则昊;樊谨;俞晓锋;汪炜杰;孙丹枫 -专利权人：杭州电子科技大学
申请日： 2021-12-15 - 公布日： 2022-03-25 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了一种基于多元时序数据分析的高精度长期时间序列预测方法，使用离散网络用于分层平行提取多元时间序列的全局特征和局部特征，在提高多元时间序列预测精度的同时降低了计算复杂度、减少了模型规模并且增加了模型的预测长度本发明采用分层平行提取多元时间序列的全局特征和局部特征机制，提升了预测精度，降低了模型的内存使用量，利用局部特征提高对多元时间序列的局部细微波动的拟合能力，并且增加了模型的预测长度，大大提升了模型在多元时间序列预测上的效果
基于多元时序数据分析高精度长期时间序列预测方法

[发明专利]一种基于混合预测模型的多时间尺度风速预测方法及系统-CN202211336160.4在审
发明人：严毅;王学睿;田崇翼;王瑞琪;田晨璐;任飞;邵珠亮 -专利权人：山东建筑大学
申请日： 2022-10-28 - 公布日： 2023-01-03 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种基于混合预测模型的多时间尺度风速预测方法及系统，涉及电力系统技术领域。使用整合移动平均自回归模型提取各时间尺度风速时间序列的线性特征、使用集合经验模态分解模型将非线性残差序列分解、使用长短期记忆神经网络模型对分解的子序列进行预测、将预测后的子序列集成并与提取到的线性时间序列相加得到最终预测的风速时间序列本发明考虑了风速的非平稳特征，并通过多种模型基于多时间尺度实现了风速的高效率，高准确度的预测。
一种基于混合预测模型多时尺度风速方法系统

[发明专利]可解释的时序预测模型的训练方法、装置和计算设备-CN202110141485.6有效
发明人：潘庆一;胡文波 -专利权人：北京瑞莱智慧科技有限公司
申请日： 2021-02-02 - 公布日： 2022-04-05 - 主分类号： G06F30/27 文献下载
摘要：本发明的实施方式提供了一种可解释的时序预测模型的训练方法、装置、介质和计算设备。该方法包括：对获取的时间序列数据进行数据处理，得到所述时间序列数据对应的序列图；通过所述可解释的时序预测模型对所述序列图建模，得到所述序列图对应的预测结果；基于真实值和所述预测结果，以使所述可解释的时序预测模型的预测精度提升为目的训练所述可解释的时序预测模型本发明能够通过可解释的时序预测模型对序列图中多维度的数据以及具有时间顺序的时间序列数据进行计算，从而输出预测结果，以及基于预测结果和真实值可以对模型进行训练，以使模型可以输出更加准确的预测结果，也提升了可解释的时序预测模型的预测性能
可解释时序预测模型训练方法装置计算设备

[发明专利]基于深度学习的话务预测方法、装置及可读存储介质-CN202210495833.4在审
发明人：邓文静;刘冬;陈茂强 -专利权人：广州云趣信息科技有限公司
申请日： 2022-05-09 - 公布日： 2022-06-07 - 主分类号： G06Q10/04 文献下载
摘要：本公开提供了一种基于深度学习的话务预测方法、装置及可读存储介质。所述方法包括：获取步骤，获取历史话务数据：包括时间信息和对应所述时间信息的话务量；第一构建步骤，将时间信息转换为第一时间索引，基于第一时间索引构建时间序列对象；第二构建步骤，从时间信息中筛选出特定时间的时间信息，将特定时间的时间信息转换为第二时间索引，基于第二时间索引构建协变量序列对象；序列转换步骤，将时间序列对象与协变量序列对象排序合并为多维序列并转换为一维序列；建模步骤，使用深度神经网络模型对一维序列进行建模处理，生成预测模型；预测步骤，通过预测模型输出话务量预测结果。通过本公开的方法能够应对复杂业务场景，提高预测准确率。
基于深度学习话务预测方法装置可读存储介质

[发明专利]一种基于卡尔曼滤波融合的风速序列预测方法-CN201210203535.X有效
发明人：修春波;张欣 -专利权人：天津工业大学
申请日： 2012-06-20 - 公布日： 2016-10-19 - 主分类号： G06F19/00 文献下载
摘要：本发明属于时间序列预测分析领域，具体为一种基于卡尔曼滤波融合的风速序列预测方法。利用采集到的风速序列构造出风速变化率序列，采用神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到风速的最优预测估计结果。本发明主要用于风速时间序列的预测分析领域中。
一种基于卡尔滤波融合风速序列预测方法

[发明专利]时间序列预测方法和装置-CN201810338142.7在审
发明人：李树海;王硕 -专利权人：北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司
申请日： 2018-04-16 - 公布日： 2019-10-29 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了时间序列预测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取时间序列数据，以构造训练数据集；每个所述训练数据包括所述时间序列数据中若干个连续的数值；依据所述训练数据集进行模型训练，得到预测模型；其中，对于每个所述训练数据，以其中最后一个数值作为模型输出、该数值之前的时间序列数值作为模型输入；采用所述预测模型预测所述时间序列数据下一期的时间序列数据。该实施方式能够自动学习长期时间序列数据的发展规律和对下一期数据的影响，具有较高的泛化能力且不造成过拟合，预测准确性高。
时间序列数据时间序列预测方法和装置训练数据集训练数据预测模型计算机技术领域模型输入模型训练时间序列自动学习预测拟合输出

[发明专利]时间序列预测区间估计方法-CN202210630783.6在审
发明人：阎威武;李庆辉 -专利权人：上海交通大学
申请日： 2022-06-06 - 公布日： 2022-09-02 - 主分类号： G06N3/04 文献下载
摘要：本发明提供了一种时间序列预测区间估计方法，基于循环神经网络结构(RNN)，构建基于覆盖宽度准则(CWC)综合指标的预测区间优化目标函数,实现基于循环神经网络的时间序列预测区间估计方法(RNN‑LUBE)；所述预测区间优化目标函数为CWC目标函数的可微近似形式，能够使用梯度下降法训练网络；结合时间序列周期分解方法，提供一种结合周期分解的循环神经网络LUBE方法，在预测区间估计方法能直接获取时间序列的周期分量本发明通过改进LUBE方法的网络结构和目标函数，将时间序列的周期分解模型引入上述预测区间估计模型，提高了预测区间估计的质量和综合性能。
时间序列预测区间估计方法

[发明专利]时间序列异常预测和警报-CN202111346398.0在审
发明人： J.多恩胡 -专利权人：商业对象软件有限公司
申请日： 2021-11-15 - 公布日： 2022-10-21 - 主分类号： G06F11/07 文献下载
摘要：提供了一种系统和方法，其可以基于另一个时间序列信号中协同出现且在先的异常来识别时间序列信号中异常的因果关系。在一个示例中，该方法可以包括识别第一数据值的时间序列信号内的重复出现的异常；基于第二数据值的时间序列信号中在先且协同出现的异常来确定第二数据值的时间序列信号，该第二数据值的时间序列信号是第一数据值的时间序列信号中的重复出现的异常的原因；以及存储第二数据值的时间序列信号中在先且协同出现的异常与第一数据值的时间序列信号中的重复出现的异常之间的相关性。
时间序列异常预测警报