[发明专利]一种结合多种模型的时间序列预测方法

权利要求书

1.一种结合多种模型的时间序列预测方法，其特征在于，使用STL分解算法将时间序列分解为长期趋势、季节波动、不规则波动三个时间序列；获得一个具有长期趋势特征的时间序列、一个具有季节波动特征的时间序列以及一个不规则波动的时间序列；具体步骤如下：

步骤一、数据预处理；将得到的时间序列按照训练集长度、验证集长度、测试集长度比例为8:1:1进行划分，得到训练集、验证集、测试集；

步骤二、根据得到的长期趋势的时间序列，采用传统的预测方法ARIMA模型、Prophet模型进行预测，选择精确度最好的模型；

步骤三、根据得到的季节波动的时间序列，采用自适应过滤法、ARIMA模型、Prophet模型进行季节性的预测，选择其中一个精确度最好的模型；

步骤四、根据得到的不规则波动的时间序列，采用神经网络模型对不规则波动的时间序列进行预测；

步骤五、将步骤二至步骤四的预测结果相加，得到最终的预测结果。

2.根据权利要求1所述一种结合多种模型的时间序列预测方法，其特征在于，步骤二中：

(1)通过ARIMA模型进行预测的步骤是：

(101)对长期趋势的时间序列进行平稳性检测；如果长期趋势时间序列为非平稳性序列，使用差分法使得数据更加平稳，得到差分次数d；

(102)根据(101)得到的平稳的长期趋势时间序列，由自相关函数ACF确定自回归项p；

(103)由偏自相关函数PACF确定移动平均项数q；

(104)确定了参数(p，d，q)，计算ARIMA模型在训练数据集上的准确率，并使用验证集确定模型参数，得到拟合的模型之后，检查测试集的预测值是否和实际值一致；

(2)通过Prophet模型进行预测的步骤为：

(201)对长期趋势的时间序列处理，得到只含有日期和对应的时间序列两列的dataframe；

(202)初始化Prophet模型，设置参数，拟合训练集；

(203)根据Prophet模型在验证集上的表现，确定Prophet模型参数；

(204)根据训练好的Prophet模型预测测试集，评估Prophet模型的效果。

3.根据权利要求1所述一种结合多种模型的时间序列预测方法，其特征在于，步骤三中：

(3)通过自适应过滤法进行季节性预测的具体步骤如下：

(301)确定模型阶数P；

(302)选择合适的滤波参数；

(303)计算每次调整权数的残差；

(304)根据残差调整权数，直到得到最小的残差；

(4)通过ARIMA模型进行季节性预测的具体步骤如下：

(401)对季节性波动时间序列进行平稳性检测；如果季节性波动时间序列为非平稳性序列，使用差分法使得数据更加平稳，得到差分次数d；

(402)根据(401)得到的平稳的季节性波动时间序列，由自相关函数ACF确定自回归项p；

(403)由偏自相关函数PACF确定移动平均项数q；

(404)确定了参数(p，d，q)，计算ARIMA模型在训练数据集上的准确率，并使用验证集确定ARIMA模型参数，得到拟合的ARIMA模型之后，检查测试集的预测值是否和实际值一致；

(5)通过Prophet模型进行季节性预测的步骤为：

(501)处理季节性波动数据，得到只含有日期和对应的时间序列两列的dataframe；

(502)初始化Prophet模型，设置参数，拟合训练集；

(503)根据Prophet模型在验证集上的表现，确定Prophet模型参数；

(504)根据训练好的Prophet模型预测测试集，评估Prophet模型的效果。

4.根据权利要求1所述一种结合多种模型的时间序列预测方法，其特征在于，步骤四具体步骤如下：

首先对不规则波动的时间序列进行预处理；按照训练集长度、验证集长度、测试集长度对时间序列进行划分，得到训练集、验证集、测试集；

然后初始化LSTM模型，根据LSTM模型在训练集和验证集上的表现，确定LSTM模型参数，并对测试集进行预测。

5.根据权利要求1所述一种结合多种模型的时间序列预测方法，其特征在于，步骤五采用贝叶斯参数优化的方法，设定每一个模型不同参数的范围，让每个模型在不同的参数结果中自动寻找最精确的模型组合。