[发明专利]基于Mo-S-LSTMs模型的时间序列多步预测方法

说明书

本发明公开了一种基于Mo‑S‑LSTMs模型的时间序列多步预测方法，具体按照以下步骤实施：步骤1、堆叠LSTM单元，采用Dropout结构，建立多输出堆叠LSTM模型的多输出堆叠LSTM模型Mo‑S‑LSTMs；步骤2、建立基于Mo‑S‑LSTMs模型的时间序列多步预测算法，本发明预测精度高，对长期时间序列数据具有较好的预测性能。

技术领域

本发明属于时间序列数据分析技术领域，具体涉及一种基于 Mo-S-LSTMs模型的时间序列多步预测方法。

背景技术

时间序列是一类重要的结构化数据形式，在金融、医学、工业、气象、航空航天等领域有着重要应用。尤其在航天测控领域，大量测控数据以时间序列的形式呈现，直观反映了各部件的工作状态和运行模式。通过时间序列数据挖掘和分析技术对测控数据进行预测，有助于实时掌握航天器的健康状况并进行健康管理，是保障航天器正常运行和提高效能的有效手段。

时间序列预测一直是许多领域的研究热点，尤其是多步预测。提前一步预测是指，预测器使用全部或部分观测结果来预测紧随最新观测结果之后的时间步长的数据。提前预测两步或多步，称为多步预测。与一步预测方法不同，多步预测方法面临着许多不确定因素的影响，而且，误差的累积和信息的缺乏使得多步预测更加困难。因此，针对不同的时间序列数据，选择合适的建模策略进行提前多步时间序列预测是一个具有重要现实意义的研究课题。

最早，文献[1]的作者提出了迭代策略用于多步预测，该方法是通过最小化样本内提前一步残差的平方和，构建预测模型，然后将预测值作为同一模型的输入，对后续点进行预测，并以此种方式一直预测到设定的预测长度。此后，学者们基于不同的方法建立了各种迭代预测模型，广泛应用于各个领域。在工作[2]中，作者们提出了一种非线性学习集成的方法EnsemLSTM用于长期风速时间序列多步预测。EnsemLSTM方法是将长短期记忆(LongShort-Term Memory,LSTM)神经网络、支持向量回归机(Support Vector RegresssionMachine,SVRM)和极值优化算法(Extremal Optimization,EO)三种集成构建而成。该方法利用具有不同隐层和不同个神经元的LSTM簇来学习时间序列特征，然后将LSTM神经网络预测的结果聚合送入由SVRM组成的非线性学习回归顶层，并使用EO算法优化顶层参数。实验表明，该方法具有较好的预测性能。文献[3]提出了一种名为MARNN的深度学习模型，用于交通流多步预测。具体来说，将递归神经网络视为动态神经网络，用于模拟交通时间序列中的动态特征，并将多输出策略用于随着步长的增加而减少累积误差。此外，还引入了注意力机制，用于在交通时间序列中自适应地寻找重要信息，以提高预测性能。实际交通数据的实验表明，MARNN模型在交通流量预测中具有较好的预测性能。文献[4]的作者利用一种新的自进化递归神经模糊推理系统对股票市场指数等高度波动和不规则的金融时间序列数据进行有效预测。该方法采用改进的差分和谐搜索(Modifified Differential HarmonySearch,MDHS)技术对模型进行参数优化，从而提高传统神经模糊系统处理动态金融时间序列数据的预测能力。虽然迭代预测在长期时间序列数据预测中起到了关键作用，但是迭代策略的预测方法会使得未来输入数据的分布发生变化，从而导致生成较大的累积误差。迭代预测的模型训练过程本质属于单步模型预测，因此在模型优化过程中也就是单步误差优化。