一种时间序列数据的预测方法

本发明涉及时间序列数据预测的，尤其是涉及一种时间序列数据的预测方法。

背景技术：

1、时间序列指的是将同一统计指标的数值按照发生的时间顺序排列而成的数列。时间序列预测旨在根据已有的历史时间的统计指标数值对未来时间的统计指标数值进行预测。但往往结合的数据只使用但以数据作为主要预测对象，忽略了其他对象对预测结果的预测影响，尤其对于带有输入和输出的数据，对于资金流动和商品预测都有许多效果。

技术实现思路

1、本发明的目的是提供一种时间序列数据的预测方法，将输入时序数据和输出时序数据均进行修正，将输入时序数据和输出数据建立计算约束，从而对计算结果进行更好的限定，促使预测结果的准确精度更好。

2、为实现上述目的，本发明提供了一种时间序列数据的预测方法，包括以下步骤：

3、s1：获取历史时间序列数据，包括长度为n的输入时间序列数据和输出序列时间数据，对输入时间序列数据和输出序列时间数据进行预处理，在输入时间序列数据和输出序列时间数据中，均对应设置有训练集和测试集；

4、s2：对输入时间序列数据和输出序列时间数据建立关联，提取不同时间区间的系数，设置约束条件和目标函数；

5、s3：建立预测模型，预测模型采用rnn循环神经网络；

6、将输入时间序列数据和输出序列时间数据的训练集输入到预测模型中进行训练，结合不同时间区间的系数，对预测模型进行训练直到满足目标函数；

7、s4：获取需要预测的输入时间序列和输出序列时间数据，选定时间区间系数，在约束条件下，使用训练好的预测模型进行预测。

8、优选的，所述步骤s1中，数据预处理的过程如下：包括统一数据格式并采用均值替换法来填充空值；

9、优选的，所述步骤s2中，建立的关联的过程具体如下：

10、提取不同时间区间的系数的过程如下，依据现有数据，得到不同时间区间的系数的公式如下：

11、

12、上式中，a和b为不同时间区间的系数，其中的输入时间，为第一个输入的时间到最后一个输入之间的时间长度，现有数量的截止时间，其中的输出时间，为第一个输出的时间到最后一个输出之间的时间长度；

13、设置约束条件如下：设置输入时间序列数据和输出序列时间数据的在固定时间段内的输入和输出数量关系：

14、输入数量+原有数量＝输出数量+现有数量

15、对于未来的时间段，满足约束条件如下：

16、输入数量+现有数量＝总输出数量

17、目标函数包括两部分，第一部分是预测值和实际值的均方误差，第二部分是输入总数量和输出总数量的比值；

18、loss＝loss1+loss2-1

19、第一部分的公式为：

20、

21、上式中，yi为预测值，为实际值；

22、第二部分的公式为：

23、

24、上式中，t越趋近于1表明预测精度越高。

25、优选的，所述步骤s3中进行训练的具体过程如下：

26、采用rnn循环网络的计算公式如下：

27、ht＝f(wxt+uht-1+b)

28、其中

29、

30、上式中，t为时间步，xt为当前t时间步的输入数据，ht为t时间步中编码器的输出，f为激活函数，w和u为权重矩阵，b为偏置向量；其中激活函数采用相同区间计算出的时间区间的系数a和b。

31、优选的，所述步骤s4中进行预测的具体过程如下：

32、获取需要预测的输入时间序列和输出序列时间数据，确定需要预测的时间段，从之前计算的时间区间系数选定相同的时间区间，作为激活函数，使用输入时间序列和输出序列时间数据共同预测计算在满足约束条件的情况下，得到预测的输入时间序列和输出序列时间。

33、因此，本发明采用上述的一种时间序列数据的预测方法，具有以下好处：

34、(1)在本发明中，采用输入和输出时间序列数据和输出时间序列数据，都作为影响因素进行预测计算，从而使得计算结果更加准确，能更加贴合时间烟花的规律，通过建立约束条件，同样能够提高预测的精度。

35、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种时间序列数据的预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种时间序列数据的预测方法，其特征在于：所述步骤s1中，数据预处理的过程如下：包括统一数据格式并采用均值替换法来填充空值。

3.根据权利要求2所述的一种时间序列数据的预测方法，其特征在于：所述步骤s2中，建立关联的具体过程如下：

4.根据权利要求3所述的一种时间序列数据的预测方法，其特征在于：所述步骤s3中进行训练的具体过程如下：

5.根据权利要求4所述的一种时间序列数据的预测方法，其特征在于：所述步骤s4中进行预测的具体过程如下：

技术总结本发明公开了一种时间序列数据的预测方法，属于时间序列数据预测的技术领域；包括以下步骤：S1：获取历史时间序列数据，包括输入时间序列数据和输出序列时间数据；S2：对输入时间序列数据和输出序列时间数据建立关联，提取不同时间区间的系数，设置约束条件和目标函数；S3：建立预测模型，预测模型采用RNN循环神经网络；将输入时间序列数据和输出序列时间数据的训练集输入到预测模型中进行训练，结合不同时间区间的系数，对预测模型进行训练直到满足目标函数；S4：获取需要预测的输入时间序列和输出序列时间数据，选定时间区间系数，在约束条件下，使用训练好的预测模型进行预测。本发明通过将时间序列数据集进行分类，能有效提升预测精度。技术研发人员：李石磊,高斌斌,赵明远,袁志民,叶清受保护的技术使用者：中国人民解放军海军工程大学技术研发日：技术公布日：2024/12/2