[发明专利]基于CNN的时间序列预测方法和模型确定方法

权利要求书

1.一种基于CNN的时间序列预测方法，所述方法包括：

获取历史时间序列数据，根据所述历史时间序列数据的周期特性，确定周期参数，所述周期参数包括周期类型及其对应的周期时长，所述周期类型包括短周期和长周期，所述周期时长包括短周期时长和长周期时长；

基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，所述预设循环跨度包括最接近时间段跨度、短周期跨度和长周期跨度，所述分量数据包括最接近时间段数据、短周期数据和长周期数据；

采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果；

基于预测时间点、所述历史时间序列数据、所述周期参数以及预设循环跨度，确定所述预测时间点在所述历史时间序列数据中对应的分量数据，包括：

基于预测时间点在所述历史时间序列数据中最接近的时间点、以及所述最接近时间段跨度，确定所述预测时间点在所述历史时间序列数据中对应的最接近时间段数据；

基于所述预测时间点、所述短周期时长以及所述短周期跨度，确定所述预测时间点在所述历史时间序列数据中对应的短周期数据；

基于所述预测时间点、所述长周期时长以及所述长周期跨度，确定所述预测时间点在所述历史时间序列数据中对应的长周期数据。

2.根据权利要求1所述的方法，其特征在于，所述确定好的CNN模型包括第一卷积层结构、第二卷积层结构、第三卷积层结构和全连接层结构，采用确定好的CNN模型对所述分量数据进行预测，得到所述预测时间点对应的预测结果，包括：

采用所述第一卷积层结构对所述最接近时间段数据进行卷积，得到与所述最接近时间段数据对应的第一特征；

采用所述第二卷积层结构对所述短周期数据进行卷积，得到与所述短周期数据对应的第二特征；

采用所述第三卷积层结构对所述长周期数据进行卷积，得到与所述长周期数据对应的第三特征；

采用所述全连接层结构对所述第一特征、所述第二特征和所述第三特征加权融合后的特征进行映射，得到所述预测时间点对应的预测结果。

3.根据权利要求2所述的方法，其特征在于，所述第一卷积层结构包括三层卷积层，采用所述第一卷积层结构对所述最接近时间段数据进行卷积，得到与所述最接近时间段数据对应的第一特征，包括：

采用所述第一卷积层结构的第一层卷积层，对所述最接近时间段数据进行卷积，得到第一层输出结果；

采用所述第一卷积层结构的第二层卷积层，对所述第一层输出结果进行卷积，得到第二层输出结果；

采用所述第一卷积层结构的第三层卷积层，对叠加结果进行卷积，得到与所述最接近时间段数据对应的第一特征；所述叠加结果由所述第二层输出结果与所述最接近时间段数据的原始输入进行叠加获得。

4.根据权利要求2所述的方法，其特征在于，所述第二卷积层结构包括三层卷积层，采用所述第二卷积层结构对所述短周期数据进行卷积，得到与所述短周期数据对应的第二特征，包括：

采用所述第二卷积层结构的第一层卷积层，对所述短周期数据进行卷积，得到第一层输出结果；

采用所述第二卷积层结构的第二层卷积层，对所述第一层输出结果进行卷积，得到第二层输出结果；

采用所述第二卷积层结构的第三层卷积层，对叠加结果进行卷积，得到与所述短周期数据对应的第二特征；所述叠加结果由所述第二层输出结果与所述短周期数据的原始输入进行叠加获得。

5.根据权利要求2所述的方法，其特征在于，所述第三卷积层结构包括三层卷积层，采用所述第三卷积层结构对所述长周期数据进行卷积，得到与所述长周期数据对应的第三特征，包括：

采用所述第三卷积层结构的第一层卷积层，对所述长周期数据进行卷积，得到第一层输出结果；

采用所述第三卷积层结构的第二层卷积层，对所述第一层输出结果进行卷积，得到第二层输出结果；

采用所述第三卷积层结构的第三层卷积层，对叠加结果进行卷积，得到与所述长周期数据对应的第三特征；所述叠加结果由所述第二层输出结果与所述长周期数据的原始输入进行叠加获得。