公开(公告)号：CN114548592A

公开(公告)日：2022-05-27

申请号：CN202210199667.3

申请日：2022-03-01

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  秦振宇 ,  程旭

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06V10/762

Abstract: 本发明属于时间序列预测领域，尤其涉及一种基于CEMD和LSTM的非平稳时间序列数据预测方法，包括通过历史数据构建训练集，通过实时数据构建测试集；使用经验模态分解将测试集和训练集中的目标序列分解为n个本征模态函数和1个残差序列；通过聚类算法对n个本征模态函数聚类为m组，形成m个子序列；利用训练集中子序列的特征向量对深度LSTM神经网络进行训练，获取完成训练的深度LSTM神经网络；将测试集中子序列输入完成训练的深度LSTM神经网络进行预测，得到非平稳时间序列预测结果；本发明结合了EMD和聚类算法对非平稳时间序列进行重构，使得预测模型的误差更小、训练时间更短。

公开(公告)号：CN114548591A

公开(公告)日：2022-05-27

申请号：CN202210198023.2

申请日：2022-03-01

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  程旭 ,  邓磊

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06N3/00

Abstract: 本发明属于机器学习领域，具体涉及一种基于混合深度学习模型和Stacking的时序数据预测方法及系统，该方法包括：获取待预测的时序数据，对时序数据进行预处理；构建混合深度学习模型，采用自适应惯性权重粒子群算法对混合深度学习模型的超参数进行寻优；将预处理后的时序数据输入到训练好的混合深度学习模型中，得到时序数据的依赖关系；采用Stacking分层模型对时序数据的依赖关系进行修正，得到修正后的时序数据预测结果；根据时序数据预测结果客户执行对应的操作；本发明通过双向门循环长短期记忆网络，堆叠双向长短期记忆网络和双向门循环单元来挖掘时序数据依赖关系以丰富模型的表现形式，得到最终时序数据的预测结果。