[发明专利]一种自适应的时序信号方向性预测方法

说明书

本发明提供一种自适应的时序信号方向性预测方法，采用LSTM网络结合BN层和全连接层，既适用于线性信号模型，也适用于非线性信号模型，尤其适用于具有显著时域连续性的时序信号，能够有效提高网络对方向剧烈变化的时间点的预测能力；此外，本发明还采用多个独立训练的LSTM‑BN网络对时序信号的方向性进行独立预测，再对多个预测结果进行投票的方法，显著提高了预测准确率和稳定性。

技术领域

本发明属于时序信号预测、深度学习技术领域，尤其涉及一种自适应的时序信号方向性预测方法。

背景技术

随着社会信息化程度的提高，对时序数据进行高效分析和精准预测的重要性日益凸显。时序信号涉及到的领域十分广泛，如GPS数据、天气数据、国家外汇储备数据和股票价格数据等等。在涉及到时序数据分析和预测的很多领域中，需要对时序信号进行精准预测。

时序信号的预测模型可大致分为两种类型，线性模型和非线性模型。针对线性模型有很多行之有效的预测方法，如传统的时间序列预测方法中的带控项的自回归模型(CAR)、滑动平均模型(MA)以及自回归滑动平均模型(ARMA)。CAR、MA和ARMA等都属于统计学范畴的线性模型，适用于具有季节性、周期性等特征平稳的时间序列预测。但是，在实际生产生活中，人们涉及到的大部分时间序列信号都是非线性的，具有非线性、非平稳甚至随机性的特点。由于线性模型不能全面反映时间序列的复杂变化特性，因此利用现有的线性模型进行非线性时序信号的预测，往往得不到有价值的预测结果。

近年来，随着神经网络和深度学习相关研究的推进，利用BP(back propagation,BP)神经网络或循环神经网络(recurrent neural network,RNN)进行非线性时序信号预测的方法被广泛研究。人工神经网络在非线性时序信号预测中表现出了良好的学习能力，并且不需要先验知识的积累，比较适合于实际工作中的非线性时序信号预测。

相关研究表明，RNN特别是其中的长短时记忆神经网络(long short-term memorynetwork,LSTM-Net)可以解决梯度消失问题，并且能够学习到时序信号之间的长期依赖关系，在具有高度时间依赖性的时序信号的预测中表现出了较高的预测性能。

但是，针对非线性程度很高的时序信号，单纯地使用LSTM-Net进行回归或者分类预测，很难得到一个稳定的预测结果，并且过拟合现象较为严重。即便是对非线性程度不是很高的时序信号进行预测时，网络在信号发生剧烈变化的时刻的预测结果也并不理想，并且网络的预测结果整体上会表现出一定的“延迟”性。

同时，尽管LSTM-Net可以学习到时序信号之间的长期依赖关系，但是在如股票价格数据、天气数据等具有显著时间持续性的非线性时序信号的预测中，随着训练数据集与测试数据集的时间间隔不断增大，网络的预测能力会呈现一个下降的趋势。

综上，针对具有显著时域连续性、非线性和非平稳特性的时序信号，需要提出一种自适应的时序信号方向性预测方法，以提升现有预测方法的性能。

发明内容

为解决上述问题，本发明提供一种自适应的时序信号方向性预测方法，能够显著提高了预测准确率和稳定性。

一种自适应的时序信号方向性预测方法，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。

进一步地，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：