[发明专利]一种面向短期时间序列预测的预期性学习方法和系统

权利要求书

1.一种面向短期时间序列预测的预期性学习方法，其特征在于，方法包括：

步骤1：从时序数据中选出一用于预测的变量并记为x，再从数据集中选出时长为t_train的数据段作为训练集data，对应的x[0:t_train]作为标签集用以预测未来的时长为t_prediction的变量x[t_train:t_train+t_prediction]；

步骤2：执行后续步骤的循环处理当前预测的点x[t_train+num]，其中num表示本次预测的变量的下标，令num的初始值为0；

步骤3：利用训练集和标签集来训练两个神经网络和其中神经网络的训练集train₁为data[1:t_train-1],神经网络的训练集train₂为data[0:t_train-2]，该两个神经网络的标签集label均为x[2+num:t_train]，得到神经网络训练的输出为output₁，训练的输出为output₂，该两个神经网络的损失函数均为：

损失函数＝自身训练时的均方误差+α*(output₁和output₂的均方误差)，

其中α为超参；

步骤4：神经网络的预测集为data[t_train-1:],神经网络的预测集为data[t_train-2:]，用步骤3中训练好的两个神经网络分别在该两个预测集上进行预测，分别得到预测结果x_prediction1和x_prediction2，最终取平均值得到本次预测结果x[t_train+num]＝(x_prediction1+x_prediction2)/2，将本次预测结果添加至训练集的标签x[0:t_train]的末尾，得到x[0:t_train+num+1]，并将x[0:t_train+num+1作为下一轮训练过程中的标签，再令num＝num+1并重复步骤3和步骤4的循环处理，直到num＝t_prediction-1后跳出循环；

步骤5：得到了长度为t_prediction的预测值x[t_train:t_train+t_prediction]，预测结束，该长度为t_prediction的预测值x[t_train:t_train+t_prediction]代表时序预测任务的预测结果。

2.根据权利要求1所述的面向短期时间序列预测的预期性学习方法，其特征在于，数据集包括合成数据集和真实数据集。

3.根据权利要求1所述的面向短期时间序列预测的预期性学习方法，其特征在于，该两个神经网络模型和为多层简单神经网络模型，输入层设有一个用以采样处理的层。