[发明专利]一种基于多个卷积神经网络结合架构深度学习预测方法

权利要求书

1.一种基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述基于多个卷积神经网络结合架构深度学习预测方法将数据变换为n*m*k的维度，共n个时间点，每个时间点取前m个小时的k维数据，构造n个m*k的矩阵；使用多个卷积神经网络分别处理对应时间点的数据，通过较浅层的网络有效挖掘出数据中的规律；使用多个卷积神经网络分别提取历史较短期数据信息再整合。

2.如权利要求1所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述基于多个卷积神经网络结合架构深度学习预测方法包括以下步骤：

步骤一，按照时间序列周期n及数据自身维度变换输入数据维度为n*m*k；

步骤二，根据时间将数据划分为训练集，验证集，测试集用于模型训练、评估与测试；

步骤三，构造n个相同的卷积神经网络；

步骤四，将步骤一中的数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中；

步骤五，将n个卷积神经网络的输出结果按照时间顺序进行重排，将重排之后的n个值输入深度全连接神经网络；

步骤六，设置网络损失函数、优化算法、学习速率、batchsize；

步骤七，使用验证集以提前终止的方式训练模型，训练得到模型；

步骤八，预测测试集，使用步骤七根据验证集准确率变化情况得到的模型，得到测试集的预测结果。

3.如权利要求2所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述步骤四中将数据按照其所在周期中第几个状态的编号输入对应的卷积神经网络中的过程包括：时间序列数据周期为n，则对应n个卷积神经网络，输入维度为n*m*k，以一种固定的方式对周期数据编号，编号数据对应输入同编号的卷积神经网络。

4.如权利要求2所述的基于多个卷积神经网络结合架构深度学习预测方法，其特征在于，所述步骤五中将n个卷积神经网络的输出结果按照时间顺序进行重排包括：对卷积神经网络输出的编号1～n的数据按照数据输入卷积神经网络之前的顺序重新排序，明确数据与待测时间数据的时间关系；输入卷积神经网络之前数据顺序为(n-p，n-p+1，···，n，1，···，n-p-1)，输入卷积神经网络按照编号对应关系输入，输出之后的数据重新排列为(n-p，n-p+1，···，n，1，···，n-p-1)输入深度全连接神经网络。

5.一种应用权利要求1～4任意一项所述基于多个卷积神经网络结合架构深度学习预测方法的时间序列分析系统。