[发明专利]一种自适应的时序信号方向性预测方法

权利要求书

1.一种自适应的时序信号方向性预测方法，其特征在于，包括以下步骤：

S1：采用s个独立训练的LSTM-BN网络分别对时序信号的方向性进行预测，得到s个独立的预测值，其中，LSTM-BN网络包括LSTM网络、BN层、激活层以及全连接层，方向性包括上升与下降，s为大于或等于3的奇数；

S2：对s个独立的预测值进行投票操作，投票占多数的预测值为时序信号的最终预测结果。

2.如权利要求1所述的一种自适应的时序信号方向性预测方法，其特征在于，所述LSTM-BN网络的训练方法为：

S101：根据下式计算原始时序信号数据X对应的原始变化率数据R：

其中，X_t代表X中第t天的时序信号数据，X_t-1代表第t-1天的时序信号数据；R_t为原始变化率数据R中的元素，代表第t天数据相对于第t-1天数据的变化率；

S102：对原始变化率数据R进行数据分割，得到具有时域连续性的子训练集和子测试集；

S103：为子训练集中的每个样本标注两个标签，其中，两个标签分别为各训练样本所对应的下一时刻的时序信号数据的变化率和变化方向；

S104：分别初始化s个LSTM-BN网络的网络参数，其中，网络参数包括权重参数与偏置值参数，且各LSTM-BN网络分别记为Net_1,…，Net_s；

S105：利用子训练集X_Train_1独立地训练各LSTM-BN网络，得到s个具有相同网络结构，但具有不同网络参数的LSTM-BN网络，并分别记为Net_1_1,…，Net_s_1；

S106：根据子训练集X_Train_1中各样本的标签，采用自适应的Ada_loss_function损失函数计算网络Net_1_1,…，Net_s_1对应的损失值loss_1_1,…,loss_s_1；

S107：根据损失值loss_1_1,…,loss_s_1，利用深度学习中的学习算法分别更新每个LSTM-BN网络的网络参数，同时根据子测试集X_Test_1得到本次更新后每个LSTM-BN网络对应的预测值；

S108：判断更新后每个LSTM-BN网络对应的预测值的正确率是否达到预定阈值，若未达到，则进入步骤S109；若达到，则结束训练，得到子训练集X_Train_1对应的LSTM-BN网络；

S109：重复步骤S106～S108，直至网络对训练集分类的正确率达到预定阈值。

3.如权利要求2所述的一种自适应的时序信号方向性预测方法，其特征在于，所述Net_1_1的损失值的计算公式如下：

其中，C为所述方向性对应的类别数量，C＝2；F(Y_Train_R_1)代表对第一个子训练集对应的下一时刻的时序信号数据的变化率做预设函数变换；Y_Train_U_1为第一个子训练集所对应的下一时刻时序信号数据的变化方向，(log_softmax(Pre_1_1))_i表示为：

其中，Pre_1_1为网络Net_1_1对应的预测值，(Pre_1_1)_i为Pre_1_1中的第i个数。