[发明专利]一种时间序列预测方法及装置

说明书

本发明提出了一种时间序列预测方法，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。本发明通过构建递归深度回声状态网络，并通过贝叶斯优化的方式对递归深度回声状态网络的模型参数进行优化，可以在保证预测精度的同时显著缩短参数搜寻时间，实现对时间序列数据的可靠预测。

技术领域

本申请涉及机器学习与数据建模领域，尤其涉及一种时间序列预测方法及装置。

背景技术

随着信息技术的发展，现代社会逐渐变成一个数字信息的社会。数据也扮演着越来越重要的作用。在生活中，有非常多的场景与数据有这非常紧密的联系。如，每天气温的变化、股票价格的波动、空气质量的变化，这些都与我们息息相关。这些数据中往往蕴含着某些规律，通过寻找这些数据的规律，我们可以更好地做出预测和防范，防止危害的发生。然而，对于这些非平稳的数据来说，有着非平稳、非线性、噪声大的特点。因此，对这些数据进行合理的分析和建模是非常重要的。在对这些数据的建模方法中，神经网络是目前最为有效的方法。RNN、GRU、LSTM等神经网络模型虽然非线性模拟能力好，然而，这些模型的训练需要经过很多次的反向传播迭代，训练速度较慢，不利于模型更新。而递归深度回声状态网络只需要进行储备层运算，不需要进行误差反向传播运算，大大减少了模型训练时间，且预测精度较高，是一种适用于工业界的预测方法。然而，对于递归深度回声状态网络模型来说，模型有非常多的参数需要确定，包括：储备层数量、谱半径、输入缩放比例、每层神经元个数、遗忘率等参数。对于这些参数的确定，通过遍历的方法可以得到最优解，但遍历的方法需要非常多的时间，会造成资源的浪费，同时，实际生产不允许我们耗费大量的时间去调参。

发明内容

为解决上述技术问题之一，本发明提供了一种时间序列预测方法及装置。

本发明实施例第一方面提供了一种时间序列预测方法，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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；