“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]一种基于LSTM的原油价格预测方法-CN202211576357.5在审
发明人：赵志强;任孝彬;陶于祥;钱鹰;陶洋;陈智刚;李欣怡 -专利权人：重庆邮电大学
申请日： 2022-12-09 - 公布日： 2023-03-07 - 主分类号： G06Q30/0202 文献下载
摘要：本发明属于时间序列数据挖掘技术领域，具体涉及一种基于LSTM的原油价格预测方法；包括：获取原油时间序列数据及其相关宏观经济数据，对其进行预处理，将其分为训练集和测试集；构建时间序列预测模型，采用训练集训练时间序列预测模型；根据训练好的时间序列预测模型，输入待预测数据及其相关宏观经济数据，输出原油价格预测值；本发明将时间序列数据与宏观经济数据相结合，通过注意力机制对长短期记忆网络输出的特征进一步地提取周期性特征。
一种基于 lstm 原油价格预测方法

[发明专利]基于小波分解和LSTM的鸡舍温度湿度预测方法、装置、产品及存储介质-CN202111465159.7在审
发明人：王福宝;赵雅坤;金鑫 -专利权人：青岛科创信达科技有限公司
申请日： 2021-12-03 - 公布日： 2022-03-01 - 主分类号： G06Q10/04 文献下载
摘要：本申请涉及预测技术领域，公开一种基于小波分解和LSTM的鸡舍温度湿度预测方法，包括：获取鸡舍原始温度时间序列x(1)和原始湿度时间序列x(2)；通过小波分解处理所述原始温度时间序列x(1)的数据和所述原始湿度时间序列x(2)的数据获得重构后的温度时间序列的数据和重构后的湿度时间序列的数据；根据所述重构后的温度时间序列的数据和所述重构后的湿度时间序列的数据通过LSTM算法获得鸡舍温度预测结果y(1)和湿度预测结果y(该方法提高了整体预测模型的抗噪性，能够获得更加准确的鸡舍内部的温度和湿度。本申请还公开一种基于小波分解和LSTM的鸡舍温度湿度预测装置、产品及存储介质。
基于分解 lstm 鸡舍温度湿度预测方法装置产品存储介质

[发明专利]融合XGBoost计算特征权重的时间序列预测方法-CN202311156329.2在审
发明人：郭宇红;马海森 -专利权人：国际关系学院
申请日： 2023-09-08 - 公布日： 2023-10-13 - 主分类号： G06F18/25 文献下载
摘要：本发明提供一种融合XGBoost计算特征权重的时间序列预测方法，属于数据处理技术领域，该方法包括：从数据库中获取与所预测时间序列变量相关的多个类型的特征信息；根据时间序列变量、特征信息和XGBoost模型，学习得到各个决策树；根据各个决策树中节点的数量、节点的分裂增益，确定各个特征信息的权重；基于时间序列、特征信息、特征权重，对融合XGBoost计算特征权重的时间序列预测模型进行训练，得到训练后的时间序列预测模型，解决了现有技术或将各个特征以相同权重纳入分析、或采用相关系数、或采用普通注意力机制形成的粗略权重而导致时间序列预测准确性低的问题，提高了相关领域时间序列预测的准确性。
融合 xgboost 计算特征权重时间序列预测方法

[发明专利]一种基于支持向量机的周期性时间序列预测方法-CN201910217146.4有效
发明人：冯艺;吕静静;颜丙玉;吴文龙;张丽;徐爱强 -专利权人：山东省疾病预防控制中心
申请日： 2019-03-21 - 公布日： 2023-04-07 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于支持向量机的周期性时间序列预测方法，具体步骤包括：输入周期性时间序列数据；求周期性时间序列数据的周期；对周期性时间序列数据进行归一化；构建训练集和测试集；在测试集上采用交叉验证的方法获取支持向量机的参数；根据支持向量机的数据对测试集进行预测，得到预测结果；对预测结果进行反归一化处理。本发明提供了一种基于支持向量机的周期性时间序列预测方法，对周期性时间序列进行周期性分析，提出了针对时间序列的周期性计算方法，根据确定的周期进行建模，能够充分发挥周期性特征的优势，提高时间序列预测效果。
一种基于支持向量周期性时间序列预测方法

[发明专利]基于多因子小波神经网络模型的水文时间序列预测方法-CN201110130040.4无效
发明人：朱跃龙;李士进;王继民;范青松;冯钧;万定生 -专利权人：河海大学
申请日： 2011-05-19 - 公布日： 2012-01-18 - 主分类号： G06F19/00 文献下载
摘要：本发明公开了一种基于多因子小波神经网络模型的水文时间序列预测方法。本发明提出了一种多因子小波神经网络预测模型用于水文时间序列预测，该模型以多时间序列信息作为输入，不仅包括预测目标时间序列的当前小波系数，还包括与此时间序列相关的其它时间序列的当前小波系数，并根据其与预测目标时间序列之间互信息作为评判两者相关性的度量，选择相关性强的其它时间序列；进一步利用基于加权相关系数的小波函数选择标准，为该模型选择最优的小波函数。相比现有技术，本发明方法具有更高的预测准确性，以及更好的可扩展性和实用价值。
基于因子神经网络模型水文时间序列预测方法

[发明专利]一种基于EHR中异构时态数据的学习方法-CN201910262444.5有效
发明人：莫毓昌 -专利权人：莫毓昌
申请日： 2019-04-02 - 公布日： 2022-06-21 - 主分类号： G16H50/70 文献下载
摘要：本发明公开了一种基于EHR中异构时态数据的学习方法，包括如下步骤，S1、将患者的EHR描述为由水平维度上的时间和垂直维度上的时间构成的时间矩阵；S2、将时间矩阵划分为多组时间序列，并将各时间序列通过SAX算法表示成符号序列；S3、使用生成的符号序列作为特征，采用原始序列方法、序列聚类方法和随机子序列方法分别建立预测模型；S4、评估使用原始序列方法、序列聚类方法和随机子序列方法分别建立的预测模型的预测性能，确定预测性能最好的预测模型。优点是：实现了将原始EHR数据转换为用标准机器学习算法直接处理的表格格式，允许直接应用任何标准机器学习算法；与基于单一表示的方法相比，该方法获取的预测模型的预测性能得到显著提高。
一种基于 ehr 中异构时态数据学习方法

[发明专利]时间序列数据预测方法、装置、设备及存储介质-CN202310721729.7在审
发明人：赵书宝 -专利权人：新奥新智科技有限公司
申请日： 2023-06-16 - 公布日： 2023-10-24 - 主分类号： G06F18/24 文献下载
摘要：本申请公开了一种时间序列数据预测方法、装置、设备及存储介质，该方法包括：获取待处理时间序列，确定待处理时间序列的时域特征数据，并根据时域特征数据确定待处理时间序列的频域特征数据；待处理时间序列用于表征待预测对象在多个检测时间的运行数据；将时域特征数据通过预测模型进行特征提取处理，得到时域特征表示，以及将频域特征数据通过预测模型进行特征提取处理，得到频域特征表示；利用预测模型对时域特征表示和频域特征表示进行融合处理，得到融合特征数据，并对融合特征数据进行分类预测，得到待预测对象的预测结果。该方案能够通过预测模型提取到更全面的时间序列表征信息，并基于更为全面的信息进行分类预测，提高了预测的准确度。
时间序列数据预测方法装置设备存储介质

[发明专利]数据分析的方法和装置-CN202211175296.1在审
发明人：张静;张宪波 -专利权人：京东科技信息技术有限公司
申请日： 2022-09-26 - 公布日： 2023-01-31 - 主分类号： G06F21/64 文献下载
摘要：该方法的一具体实施方式包括：获取待分析指标的周期标签，在根据周期标签确定待分析指标具有周期性的情况下，确定历史周期内与预测时段对应的第一历史时段；基于待分析指标在第一历史时段内的时间序列数据确定预测时段内待分析指标的第一预测时间序列；基于待分析指标在历史周期内的时间序列数据确定预测时段内待分析指标的第二预测时间序列；根据第一预测时间序列和第二预测时间序列确定待分析指标在预测时段内的预测时间序列。该实施方式能够实现对各类指标的整体预测，提高预测效果的准确性，从而对于系统性能能够做到事前预判，提前发现安全隐患，保证系统稳定性。
数据分析方法装置

[发明专利]石窟寺岩体裂隙发育长期多步控制方法、装置及存储介质-CN202110848200.2在审
发明人：王征;王曼曼;张景科;李黎 -专利权人：天津大学
申请日： 2021-07-27 - 公布日： 2021-10-29 - 主分类号： G06F30/27 文献下载
摘要：本发明公开了一种石窟寺岩体裂隙发育长期多步控制方法及装置，方法包括：基于多项式回归与深度学习融合提出MTLFnet网络，网络将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势；网络由一数据增强模块、n个周期性时间序列预测模块、和一不确定性时间序列预测模块组成；周期性时间序列预测模块学习分解后的单时间序列；不确定性时间序列预测模块提取多时间序列间的空间依赖关系，将多项式回归预测出的不确定性时间序列时间特征和空间依赖关系融合得出对石窟寺岩体裂隙发育的预测结果本发明将时间序列的趋势刻画成一个自变量为时间索引的函数，用于获取多步时间趋势，实现了对裂隙发育长期多步控制。
石窟寺岩体裂隙发育长期控制方法装置存储介质

[发明专利]一种确定突发事件影响的方法、装置、设备及存储介质-CN202211542457.6在审
发明人：邵钟飞;冯裕祺;施杨杰 -专利权人：中电金信软件有限公司
申请日： 2022-12-02 - 公布日： 2023-03-14 - 主分类号： G06F16/2458 文献下载
摘要：本申请提供了一种确定突发事件影响的方法、装置、设备及存储介质，包括：获取目标数据的历史时间序列；历史时间序列包括目标数据在多个时间节点对应的数据真实值；基于历史时间序列中起始时间至突发事件的开始时间节点之前的第一时间序列，预测突发事件对应的预测时间序列；根据历史时间序列与预测时间序列之间的时间序列相似度，所述突发事件对所述历史时间序列造成了影响情况。这样，可以准确地确定突发事件是否对目标数据的时间序列造成了影响情况，进而为后续的时间序列预测和处理决策提供参考，有利于更好地应对突发事件带来的风险。
一种确定突发事件影响方法装置设备存储介质

[发明专利]基于卡尔曼滤波的风速序列预测方法-CN201310648650.2无效
发明人：修春波;万蓉凤;王柳 -专利权人：天津工业大学
申请日： 2013-12-03 - 公布日： 2014-02-26 - 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的风速序列预测方法，利用时间序列分析方法建立风速时间序列的高阶AR模型，由此建立卡尔曼滤波的状态方程和测量方程，利用时间序列分析方法建立风速时间序列的训练样本对，采用迟滞神经网络实现风速序列的预测分析，利用迟滞神经网络的预测结果作为卡尔曼滤波的测量值，根据AR模型和迟滞神经网络模型的预测误差确定卡尔曼滤波方法的状态方程和测量方程的斜方差矩阵，从而实现卡尔曼滤波方法对风速序列的预测分析本发明可应用于风电场的风速在线预测分析系统中。
基于卡尔滤波风速序列预测方法

[发明专利]一种基于时间序列的网络舆情预测方法-CN200810226293.X无效
发明人：刘云;程辉;沈波;李勇;张振江;丁飞;司夏萌;张立;张彦超 -专利权人：北京交通大学
申请日： 2008-11-12 - 公布日： 2009-03-25 - 主分类号： H04L12/24 文献下载
摘要：本发明提供一种基于时间序列的网络舆情预测方法，该方法对网络舆情信息进行预处理，获得进行预测所需的时间序列，然后根据所述时间序列，建立相应的预测模型，最后采用所述预测模型预测网络舆情发展趋势。
一种基于时间序列网络舆情预测方法

[发明专利]一种环境系统时间序列的预测方法-CN201910226709.6在审
发明人：余春雪;杨志峰;李祚泳;尹心安 -专利权人：东莞理工学院
申请日： 2019-03-25 - 公布日： 2019-06-28 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种环境系统时间序列的预测方法，属于环境保护和水资源可持续利用技术领域，其技术方案要点是首先对时间序列数据进行规范变换，使规范变换后的时间序列数据的规范值呈现线性或较平稳变化特性时间序列；然后构建能适用于时间序列数据规范值的k(k＝2或3)个最近邻时刻的前向神经网络、投影寻踪回归和回归支持向量机模型用于预测；进而用相似样本的误差修正法对时序预测样本的模型输出值进行误差修正，以提高时间序列预测模型对样本(尤其是异常样本)的预测精度达到了能适用于不同环境系统时间序列预测的技术效果，为复杂环境系统时间序列的合理、准确预测提供了新思路。
时间序列时间序列数据样本环境系统预测误差修正时间序列预测模型支持向量机模型技术方案要点前向神经网络时间序列预测变化特性复杂环境技术效果时序预测最近邻回归构建投影水资源输出环境保护

[发明专利]基于自动学习预测及控制时间序列数据的方法及装置-CN202180007224.3在审
发明人：金松焕 -专利权人：株式会社人利智
申请日： 2021-12-28 - 公布日： 2022-08-30 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开一种基于自动学习预测及控制时间序列数据的方法及装置。根据一实施例的基于自动学习预测及控制时间序列数据的方法，包括以下步骤：根据各个模型的条件学习多个时间序列数据预测模型；在经过学习的时间序列数据预测模型中，确定满足预定条件的一个以上的最优模型；以及通过组合一个以上的最优模型来生成最终模型，其中，多个时间序列数据预测模型包括基于统计的预测模型及基于深度学习的预测模型中的至少一个。
基于自动学习预测控制时间序列数据方法装置

[发明专利]一种基于时间序列ARMA模型的自组织电力负荷预报方法-CN201810395065.9在审
发明人：黄剑文;蔡徽;萧展辉;周珑;温柏坚;杨秋勇;邓楚然;谭志海;刘云 -专利权人：广东电网有限责任公司;广东电网有限责任公司信息中心;北京四方继保自动化股份有限公司
申请日： 2018-04-27 - 公布日： 2018-11-02 - 主分类号： G06Q10/04 文献下载
摘要：本发明属于电力系统自动化技术领域，涉及一种基于时间序列ARMA模型的自组织电力负荷预报方法。本方法通过把时间序列ARMA模型与自组织分组处理GMDH模型组合，通过对时间序列ARMA模型预测误差进行自组织分组处理GMDH模型建模，对时间序列模型预测误差进行估计，把时间序列ARMA模型预测值与对预测误差使用自组织分组处理模型GMDH建模后的预测值进行求和，得到最终的负荷预测值。
时间序列自组织分组处理预测误差电力负荷电力系统自动化技术时间序列模型负荷预测模型建模模型组合求和预报预测建模

首页
«上一页
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
下一页»
尾页
共 100000 条