[发明专利]一种时间序列预测方法及装置

权利要求书

1.一种时间序列预测方法，其特征在于，所述方法包括：

构建递归深度回声状态网络；

对所述递归深度回声状态网络进行网络训练获得模型参数；

通过贝叶斯优化算法对所述递归深度回声状态网络的模型参数进行优化；

将待预测数据输入至优化后的递归深度回声状态网络获得网络预测值。

2.根据权利要求1所述的方法，其特征在于，所述递归深度回声状态网络包括输入层、输出层和多个储备层；

所述输入层用于接收数据信息；

所述多个储备层中第M个储备层的输入为第M-1个储备层的输出，所述储备层用于对所述数据信息进行深度处理获得状态信息，并对所述储备层中的状态信息进行更新；

所述输出层用于输出网络预测值。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述递归深度回声状态网络进行网络训练获得模型参数的过程包括：

接收输入样本；

对所述输入样本进行深度处理获得状态信息；

计算所述状态信息和所述输入样本所对应的真实输出数据的线性拟合关系获得模型参数。

4.根据权利要求3所述的方法，其特征在于，所述通过贝叶斯优化算法对所述递归深度回声状态网络的模型参数进行优化的过程包括：

通过最大化采集函数对所述递归深度回声状态网络的模型参数的评估点分布和所述递归深度回声状态网络的预测性能进行权衡获得模型参数的新评估点；

在所述模型参数的新评估点中选择最小值获得优化后的模型参数。

5.根据权利要求4所述的方法，其特征在于，所述将待预测数据输入至优化后的递归深度回声状态网络获得网络预测值的过程包括：

接收待预测数据；

对所述待预测数据进行深度处理获得状态信息；

对所述状态信息和优化后的模型参数进行矩阵相乘获得网络预测值。

6.一种时间序列预测装置，其特征在于，所述装置包括处理器，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

构建递归深度回声状态网络；

对所述递归深度回声状态网络进行网络训练获得模型参数；

通过贝叶斯优化算法对所述递归深度回声状态网络的模型参数进行优化；

将待预测数据输入至优化后的递归深度回声状态网络获得网络预测值。

7.根据权利要求6所述的装置，其特征在于，所述递归深度回声状态网络包括输入层、输出层和多个储备层；

所述输入层用于接收数据信息；

所述多个储备层中第M个储备层的输入为第M-1个储备层的输出，所述储备层用于对所述数据信息进行深度处理获得状态信息，并对所述储备层中的状态信息进行更新；

所述输出层用于输出网络预测值。

8.根据权利要求6或7所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

接收输入样本；

对所述输入样本进行深度处理获得状态信息；

计算所述状态信息和所述输入样本所对应的真实输出数据的线性拟合关系获得模型参数。

9.根据权利要求8所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

通过最大化采集函数对所述递归深度回声状态网络的模型参数的评估点分布和所述递归深度回声状态网络的预测性能进行权衡获得模型参数的新评估点；

在所述模型参数的新评估点中选择最小值获得优化后的模型参数。

10.根据权利要求9所述的装置，其特征在于，所述处理器，其被配置有处理器可执行的操作指令，以执行如下操作：

接收待预测数据；

对所述待预测数据进行深度处理获得状态信息；

对所述状态信息和优化后的模型参数进行矩阵相乘获得网络预测值。