本发明涉及时序序列预测，具体涉及一种基于向量自回归和卷积的时序序列预测方法。
背景技术：
：：1、时序序列预测在众多领域中具有重要的背景意义。通过对历史数据的分析和学习，时序序列预测可以帮助预测未来一段时间内的趋势和模式，为决策提供有力支持。在金融领域，它可用于股市走势预测；在气象学中，可用于天气预报；在工业生产中，可用于设备故障预测。时序序列预测不仅提高了数据分析的准确性，还有助于资源合理调配和风险管理。随着人工智能和机器学习的发展，时序序列预测成为实现智能决策和优化资源利用的关键工具。在不断涌现的大数据时代，充分利用时序序列预测的技术将推动各行业迎接未来挑战，实现更高效、智能的运营和决策。2、为此，中国专利（202011623757.8）提供了一种基于时间序列的预测方法及装置。该专利通过将待预测的时间序列按照预设的多种时长格式处理为多个不同时长的序列，然后将这些序列输入到预测模型中，该预测模型是使用标记有时间序列和结果的训练集，经过训练能够提取多种时长格式的时间序列特征的预设神经网络模型得到的。预测模型能够提取到不同时间步长的序列的特征，从而实现对不同时间步长的预测，以提高预测的准确率。此外，由于训练时使用了能够提取多种时长格式的时间序列特征的预设神经网络模型，这种方法还能够解决在时间步相差较大时难以学习的问题。3、上述现有技术通过提取多种时长序列实现对不同时间步长序列的特征提取，但是仍然存在缺陷，大多数时间序列同时具有线性和非线性两种特征，简单的提取多种时长序列无法将这两种特征分开，由于不进行线性和非线性映射，导致存在预测精度差，神经网络模型收敛速度慢的技术问题问题。上述现有技术仅从单一尺度进行特征提取，忽视不同尺度下特征的关联性。若能结合向量自回归分类提取线性特征和非线性特征，并增加因果卷积和空洞卷积进行多尺度特征提取，则能有效提高时序序列预测的准确度和速率。技术实现思路1、针对现有技术所存在的上述缺点，本发明提供了一种基于向量自回归和卷积的时序序列预测方法，能够有效地解决现有技术中的问题。2、为实现以上目的，本发明通过以下技术方案予以实现：3、本发明提供一种基于向量自回归和卷积的时序序列预测方法，具体包括以下步骤：4、步骤一、对时序序列原始数据进行数据预处理；5、步骤二、利用向量自回归映射将时序序列数据映射为线性序列数据和非线性序列数据；6、步骤三、对线性序列数据和非线性序列数据分别进行编码和归一化；7、步骤四、数据进入多尺度特征提取神经网络模型，利用空洞因果卷积对线性序列数据和非线性序列数据进行不同尺度的特征提取；8、步骤五、将线性序列数据和非线性序列数据的最后尺度特征进行动态权值相加，经过一个线形层后输出最终的预测标签。9、进一步地，步骤一中数据预处理执行的具体步骤如下：10、s1、数据清洗，包括删除异常序列和重复序列；11、s2、对所有序列按照最大长度进行统一编码；12、s3、进行归一化处理。13、进一步地，步骤一中所述时序序列原始数据为所有同一统计指标的数值按其发生的时间先后顺序排列而形成的数列。14、进一步地，步骤二中向量自回归映射执行的具体步骤如下：15、t1、对于时序序列和预测时刻k，利用向量自回归映射构造线性序列数据<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>s</mi><mi>lin</mi></msub><mi>=</mi><mrow><mo>[</mo><mtable><mtr><mtd><msub><mi>t</mi><mi>k</mi></msub></mtd><mtd><msub><mi>t</mi><mrow><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mi>n</mi></msub></mtd></mtr><mtr><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd></mtr><mtr><mtd><msub><mi>t</mi><mn>2</mn></msub></mtd><mtd><msub><mi>t</mi><mn>3</mn></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>2</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>t</mi><mn>1</mn></msub></mtd><mtd><msub><mi>t</mi><mn>2</mn></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>，其中表示第k时刻的序列元素；16、t2、将线性序列按行倒置，并在每一列上乘以每列的第一个元素得到非线性序列数据<mstyledisplaystyle="true"mathcolor="#000000"><msub><mi>s</mi><mi>nolin</mi></msub><mi>=</mi><mrow><mo>[</mo><mtable><mtr><mtd><msub><mi>t</mi><mn>1</mn></msub><mi>⋅</mi><msub><mi>t</mi><mn>1</mn></msub></mtd><mtd><msub><mi>t</mi><mn>2</mn></msub><mi>⋅</mi><msub><mi>t</mi><mn>2</mn></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub><mi>⋅</mi><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd><mtd><mi>...</mi></mtd></mtr><mtr><mtd><msub><mi>t</mi><mn>1</mn></msub><mi>⋅</mi><msub><mi>t</mi><mrow><mi>k</mi><mi>−</mi><mn>1</mn></mrow></msub></mtd><mtd><msub><mi>t</mi><mn>2</mn></msub><mi>⋅</mi><msub><mi>t</mi><mi>k</mi></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub><mi>⋅</mi><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mn>1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mi>t</mi><mn>1</mn></msub><mi>⋅</mi><msub><mi>t</mi><mi>k</mi></msub></mtd><mtd><msub><mi>t</mi><mn>2</mn></msub><mi>⋅</mi><msub><mi>t</mi><mrow><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub></mtd><mtd><mi>...</mi></mtd><mtd><msub><mi>t</mi><mrow><mi>n</mi><mi>−</mi><mi>k</mi><mo>+</mo><mn>1</mn></mrow></msub><mi>⋅</mi><msub><mi>t</mi><mi>n</mi></msub></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>；17、t3、以此类推，直至提取k由1到n的所有线性序列数据和非线性序列数据。18、进一步地，步骤四中不同尺度的特征提取执行的具体步骤如下：19、u1、设置最大采样间隔为m；20、u2、使用间隔为1的空洞因果卷积核对输入进行卷积操作，得到第一隐状态特征；21、u3、使用间隔为2的空洞因果卷积核对第一隐状态特征进行卷积操作，得到第二隐状态特征；22、u4、以此类推，直至使用间隔为m的空洞因果卷积核对第m-1隐状态特征进行卷积操作，得到第m隐状态特征。23、进一步地，步骤五中所述动态权值相加在模型训练过程中可以动态调整，直至模型收敛后确定具体权值。24、有益效果：本发明提供的技术方案与已知的公有技术相比，具有如下优点：25、1、利用向量自回归映射将时序序列数据映射为线性序列数据和非线性序列数据，避免两种特征数据混合引起的神经网络模型的震荡，极大地提高了模型收敛速率；26、2、线性序列数据和非线性序列数据分别进行特征提取，最后进行动态权值相加，使得两种数据特征的融合得以动态学习和调整，提高模型的预测精度；27、3、间隔由小及大的空洞因果卷积核既可以实现由小及大尺度的特征提取，又可以在串行的卷积过程中提取不同尺度特征间的关系，提高最终的预测精度；28、4、空洞因果卷积使得训练过程中只会对预测点之前的时序序列数据进行卷积采样，保证了时序序列预测点之后数据的不可知性。当前第1页12当前第1页12
技术特征：1.一种基于向量自回归和卷积的时序序列预测方法,其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于向量自回归和卷积的时序序列预测方法，其特征在于，步骤一中数据预处理执行的具体步骤如下：
3.根据权利要求1所述的一种基于向量自回归和卷积的时序序列预测方法，其特征在于，步骤一中所述时序序列原始数据为所有同一统计指标的数值按其发生的时间先后顺序排列而形成的数列。
4.根据权利要求1所述的一种基于向量自回归和卷积的时序序列预测方法，其特征在于，步骤二中向量自回归映射执行的具体步骤如下：
5.根据权利要求1所述的一种基于向量自回归和卷积的时序序列预测方法，其特征在于，步骤四中不同尺度的特征提取执行的具体步骤如下：
6.根据权利要求1所述的一种基于向量自回归和卷积的时序序列预测方法，其特征在于，步骤五中所述动态权值相加在模型训练过程中可以动态调整，直至模型收敛后确定具体权值。
技术总结本发明涉及时序序列预测技术领域，具体涉及一种基于向量自回归和卷积的时序序列预测方法，具体包括以下步骤：步骤一、对时序序列原始数据进行数据预处理；步骤二、利用向量自回归映射将时序序列数据映射为线性序列数据和非线性序列数据；步骤三、对线性序列数据和非线性序列数据分别进行编码和归一化；步骤四、数据进入多尺度特征提取神经网络模型，利用空洞因果卷积对线性序列数据和非线性序列数据进行不同尺度的特征提取；步骤五、将线性序列数据和非线性序列数据的最后尺度特征进行动态权值相加，经过一个线形层后输出最终的预测标签。解决了现有技术中由于不进行线性和非线性映射，导致预测精度差，神经网络模型收敛速度慢的技术问题。
技术研发人员：郭帅,许震,李守会,李守君,李瑞娟,郭培喜
受保护的技术使用者：山东科技大学
技术研发日：技术公布日：2024/4/29
