[发明专利]并行化时序数据的预测方法

权利要求书

1.并行化时序数据的预测方法，其特征包括：对输入的数据进行训练，并对训练后的数据进行预测；其中训练步骤包括：

A.输入历史数据集D，根据历史数据的并行化的场景从相应的存储设备中读取待训练的数据；

B.数据预处理，根据读取到的训练数据差别是否有缺失，若有则使用均值替换法进行缺失值的填充，并对各字段进行相应的归一化操作；

C.将历史数据集D按指定的大小划分为多个历史子数据集；

D.根据历史数据集D的划分个数，创建对应数量的基于神经网络的预测模型，通过所述的预测模型对对应的历史子数据集完成神经网络的训练，得到相应数量的训练模型；

E.将历史数据集D分别输入到每个所述的预测模型中得到预测值，根据预测值计算出每个预测模型的误差，挑选出误差最小值对应的预测模型的网络参数，如果该误差最小值未达到系统要求，则将挑选出来的网络参数作为最优参数分发到其他预测模型中作为网络参数并返回步骤D重新训练；反之，进入步骤F；

F.将所述的网络参数复制到所有的训练模型中，并保存和输出各训练模型；

对训练后的数据进行预测的步骤包括：

G.输入预测数据集Y，根据历史数据的并行化的场景从相应的存储设备中读取待训练的数据；

H.数据预处理，根据读取到的预测数据差别是否有缺失，若有则使用均值替换法进行缺失值的填充，并对各字段进行相应的归一化操作；

I.将预测数据集Y按指定的大小划分为多个预测子数据集；

J.通过神经网络的主控制节点将步骤F输出的训练模型分发给各子结点进行预测，并将预测结果返回到主控制节点；

K.主控制节点根据各子节点返回的预测结果进行整合，然后将总的预测结果进行输出。

2.如权利要求1所述的并行化时序数据的预测方法，其特征为：步骤D包括：创建与历史子数据集的数量相同的预测模型，初始化各预测模型的参数，并使用对应的历史子数据集通过误差反向传播训练算法对预测模型进行训练，得到对应的训练参数。

3.如权利要求2所述的并行化时序数据的预测方法，其特征为：如果是首次创建预测模型，则使用(0,1)之间的随机值对预测模型进行初始化，所述的随机值从(-2.4/InputNumber,2.4/InputNumber)或之间产生，其中InputNumber为权值输入端连接的神经元节点数；

如果是非首次训练预测模型，则使用控制节点挑选出来当前最优的训练参数作为子结点的模型参数，然后使用该预测模型所分配的历史子数据集再次进行训练，得到对应的训练参数。

4.如权利要求1所述的并行化时序数据的预测方法，其特征为：步骤J中的预测步骤为：先将步骤F输出的各训练模型的参数进行freeze冻结，然后主控制节点将各预测子数据集和其对应的训练模型分别分配给各子节点进行预测。

5.如权利要求1所述的并行化时序数据的预测方法，其特征为：步骤E中将数据集D输入到各个预测模型得到预测值后，使用预测值与数据集D内包含的真实值之间差值，计算得到与预测模型相等数量的误差，然后挑选出误差最小值对应的预测模型的网络参数；步骤F中将所有训练模型的参数均设置为所述挑选出的网络参数。

6.如权利要求1至5之一所述的并行化时序数据的预测方法，其特征为：步骤D中所述的基于神经网络的预测模型，其参数至少包括有各层神经元之间的权重及各层神经元个数。

7.如权利要求1至5之一所述的并行化时序数据的预测方法，其特征为：步骤A输入的历史数据集D和步骤G输入的预测数据集Y分别存储在分布式存储介质中。