[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

说明书

本发明属于数据识别及数据表示技术领域，公开了一种基于多个卷积神经网络结合架构深度学习预测方法，对数据进行维度变换；准备训练数据集，验证数据集和测试数据集；将维度变换后的数据按照周期状态编号对应输入不同的卷积神经网络中，经卷积神经网络处理后的数据按照时间先后顺序进行重排后输入深度全连接神经网络得到最后结果；使用验证集进行提前终止训练得到模型；预测测试集得到预测结果。本发明通过多个卷积神经网络分别处理不同周期状态的数据有针对性地挖掘数据规律信息，减少网络层数，卷积神经网络处理后的数据重排顺序后输入深度全连接神经网络，大大减小了数据维度，有效地缓解了过拟合，提升了预测准确度。

技术领域

本发明属于数据识别及数据表示技术领域，尤其涉及一种基于多个卷积神经网络结合架构深度学习预测方法。

背景技术

目前，业内常用的现有技术是这样的：小区流量的预测是缓解小区压力的重要步骤，提前预知一个小区流量的变化情况对于资源的预分配，负载的均衡有着重要的意义，通过提前进行资源规划，不仅基站侧的压力可以减小，用户的使用体验也将大幅度提升。小区流量预测是一种时间序列预测问题，时间序列是按时间顺序的一组数字数列，是反映某一现象的统计指标，时间序列预测问题在实际应用中极为常见，目前主流的时间序列预测方法主要有三个大类，分别为1)基于时间序列分析的方法，2)基于统计学习的预测方法，3)基于深度学习的方法。时间序列分析的方法主要是从统计的角度入手，通过从历史序列中利用滑动平均等方式找到合适的参数实现对未来数据的预测，典型的时间序列分析方法有Autoregressive Integrated Moving Average(ARIMA)模型、三次指数平滑算法等；使用统计学习的方法主要通过手动提取特征再搭配传统的回归模型进行模型构建，传统的回归模型包括线性回归、Gradient Boosting Decision Tree(GBDT)等；在时间序列问题中，深度学习常用的方法为Long Short-Term Memory(LSTM)神经网络，该网络因为其记忆特性，较适合时间序列问题的建模，在时间序列预测上得到了广泛应用。时间序列分析法和深度学习的方法对数据量的要求都比较高，短时间的数据很难使这两个模型达到令人满意的表现，故较短时间的数据一般采用传统统计学习手动提取特征的方式进行建模。而传统的统计学习手动提取特征的做法和时间序列分析的方法都存在需要大量经验与知识分析数据的问题，需要不断对模型进行改进寻找适合的参数，这一步需要大量的时间。使用深度学习则可自动学习特征，在不需要过多人工经验参与的情况下即可得到不错的结果。在可用信息比较多的情况下，可获得多条同步的时间序列，即多维时间序列，如小区流量预测问题中不仅能用到小区流量数据，同时小区的用户数等数据也可用于建模提供关键信息，针对这种多维度时间序列数据，传统的时间序列分析方法无法有效利用多维度信息，导致模型不能很好地反映数据的规律，另外由于小区流量噪声较多，变化规律较不稳定，且在基站处由于一些硬件上的限制，数据存储规模有限，能够利用训练的数据不够长，故时间序列分析的方法难以获得令人满意的结果。传统的统计学习方法需要人工构造特征，这一过程需要大量业务相关知识和特征工程的经验，手动提取特征的过程难免产生遗漏，缺乏经验的工程师很有可能既耗费了大量的时间，也没能得到较好的结果。同样，在训练数据较少、噪声较多的情况下，传统的深度学习方法，如LSTM、深度全连接神经网络等，在预测时间序列问题时使用同一张网络拟合任意时刻的数据，不同时刻的数据存在不同的规律，浅层的神经网络表现力较差，无法精准刻画数据变化情况，增加网络层数虽然能够对复杂的数据呈现更强的表现力，但网络中的参数也随着层数的加深而增加，过多的参数意味着对数据量的需求较大，数据量较小时极可能导致过拟合，尤其是数据量较小而噪声较多时，网络的收敛情况将极不稳定，导致较难获得稳定优秀的预测结果。

综上所述，现有技术存在的问题是：传统的深度学习方法存在训练数据量不够时结果不稳定，导致预测结果不准确。