基于联邦储备池模型的时序数据预测方法、设备、介质与流程

本发明涉及时序信息预测，尤其涉及一种基于联邦储备池模型的时序数据预测方法、设备、介质。

背景技术：

1、目前时序数据预测的方法多种多样，其中一些常见的技术包括统计方法、深度学习方法、支持向量机、决策树方法以及模型融合方法。

2、1、统计方法：如线性回归、自回归模型(ar)、自回归滤波器(arima)和季节自回归模型(sarima)。上述统计方法通常基于过去的观测值来预测未来的趋势。然而，上述方法只利用了过去的有限观测，可能忽略了其他影响因素，对离群值敏感，且未考虑数据的非线性关系。

3、2、深度学习方法：如长短时记忆网络(lstm)、双向长短时记忆网络(bilstm)和循环神经网络(rnn)。这些方法特别适用于复杂的非线性时间序列预测，能够捕捉长期依赖关系。然而，深度学习模型通常需要大量的数据和计算资源。

4、3、支持向量机(svm)：svm能够对时序数据进行分类和回归预测。但其性能受核函数选择的影响，且对于大规模数据集的训练可能较为耗时。

5、4、决策树方法：使用决策树模型(如随机森林)对时序数据进行分类和回归预测。虽然易于理解和解释，但可能面临过拟合的问题，且对于复杂的非线性关系可能效果不佳。模型融合方法：将多种模型的预测结果进行融合，以得到更加准确的预测结果。然而，这增加了模型的复杂性和计算成本。

6、综上所述，尽管目前时序数据预测的方法多种多样，但是仍然存在一些劣势。

技术实现思路

1、针对现有技术不足，本发明提供了一种基于联邦储备池模型的时序数据预测方法、设备、介质。

2、第一方面，本发明提供了一种基于联邦储备池模型的时序数据预测方法，所述方法包括：

3、获取待预测的时序数据；

4、将待预测的时序数据输入至预先训练好的客户端中，得到时序预测结果；

5、其中，客户端的训练过程包括：

6、构建联邦储备池模型，所述联邦储备池模型包括储备池输入层、储备池隐含层以及若干储备池输出层；将储备池输入层、储备池隐含层作为服务器，将每一储备池输出层作为一客户端；

7、在初始化联邦储备池模型之后，客户端接收服务器下发的初始化参数；

8、基于高斯-牛顿法迭代训练每一客户端，求解得到所有储备池输出层的参数并上传至服务器；

9、在服务器对所有储备池输出层的参数进行聚合之后，客户端接收服务器下发的聚合后的全局模型参数；

10、客户端利用全局模型进行更新，从而完成客户端的训练。

11、第二方面，本发明提供了一种基于联邦储备池模型的时序数据预测系统，用于实现上述的基于联邦储备池模型的时序数据预测方法，所述系统包括：

12、时序数据获取模块，用于获取待预测的时序数据；

13、时序预测结果获取模块，用于将待预测的时序数据输入至预先训练好的客户端中，得到时序预测结果；

14、客户端训练模块，用于构建联邦储备池模型，所述联邦储备池模型包括储备池输入层、储备池隐含层以及若干储备池输出层；将储备池输入层、储备池隐含层作为服务器，将每一储备池输出层作为一客户端；在初始化联邦储备池模型之后，客户端接收服务器下发的初始化参数；基于高斯-牛顿法迭代训练每一客户端，求解得到所有储备池输出层的参数并上传至服务器；在服务器对所有储备池输出层的参数进行聚合之后，客户端接收服务器下发的聚合后的全局模型参数；客户端利用全局模型进行更新，从而完成客户端的训练。

15、第三方面，本发明提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于联邦储备池模型的时序数据预测方法。

16、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于联邦储备池模型的时序数据预测方法。

17、第五方面，本发明提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述的基于联邦储备池模型的时序数据预测方法。

18、与现有技术相比，本发明的有益效果为：

19、本发明方法基于储备池将待预测的时序数据映射到高维可计算空间数据，通过联邦学习的方法联合更新输出层参数，达到跨域数据孤岛和减小每个用户训练代价的目的。最后，通过高斯牛顿方法提高客户端模型的迭代收敛的速度和效率，并减小计算量。本发明方法将类脑计算中的储备池算法应用到联邦学习场景中，实现时序数据的快速分析和预测。

技术特征：

1.一种基于联邦储备池模型的时序数据预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于联邦储备池模型的时序数据预测方法，其特征在于，所述时序数据可以选用气象数据，所述气象数据包括温度、降水量、湿度，以预测气温变化趋势；

3.根据权利要求1所述的基于联邦储备池模型的时序数据预测方法，其特征在于，基于高斯-牛顿法迭代训练每一客户端，求解得到所有储备池输出层的参数包括：

4.根据权利要求3所述的基于联邦储备池模型的时序数据预测方法，其特征在于，当待预测的时序数据选用振荡器状态变量，以预测振荡现象时，目标函数f(x)可以设置为vander pol方程。

5.根据权利要求3所述的基于联邦储备池模型的时序数据预测方法，其特征在于，当待预测的时序数据选用大气对流过程中的二维空间中垂直速度的对流项、水平风速差异的对流项、温度或湿度的对流项，以预测大气对流过程时，目标函数f(x)可以设置为lorenz63和lorenze96常微分方程。

6.一种基于联邦储备池模型的时序数据预测系统，其特征在于，用于实现权利要求1-5中任一所述的基于联邦储备池模型的时序数据预测方法，所述系统包括：

7.根据权利要求6所述的一种基于联邦储备池模型的时序数据预测系统，其特征在于，基于高斯-牛顿法迭代训练每一客户端，求解得到所有储备池输出层的参数包括：

8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-5任一项所述的基于联邦储备池模型的时序数据预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一所述的基于联邦储备池模型的时序数据预测方法。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-5中任一所述的基于联邦储备池模型的时序数据预测方法。

技术总结本发明公开了一种基于联邦储备池模型的时序数据预测方法、设备、介质，所述方法包括：获取待预测的时序数据；将待预测的时序数据输入至预先训练好的客户端中，得到时序预测结果；其中，客户端的训练过程包括：构建联邦储备池模型，联邦储备池模型包括储备池输入层、储备池隐含层以及若干储备池输出层；储备池输入层、储备池隐含层作为服务器，每一储备池输出层作为一客户端；初始化后，客户端接收服务器下发的初始化参数；基于高斯‑牛顿法迭代训练每一客户端，求解得到所有储备池输出层的参数并上传至服务器；在服务器对所有储备池输出层的参数进行聚合之后，客户端接收聚合后的全局模型参数以此进行更新，从而完成客户端的训练。技术研发人员：吴慧雯受保护的技术使用者：之江实验室技术研发日：技术公布日：2024/8/1