[发明专利]一种关键性能指标数据的预测方法及装置

权利要求书

1.一种关键性能指标数据的预测方法，其特征在于，所述方法包括：

构建多层堆叠LSTM模型；

利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数；所述最优参数包括所述多层堆叠LSTM模型的学习率、各层神经元个数、迭代次数；

利用搜寻到的最优参数构建具有最佳网络结构的堆叠LSTM模型；

利用所述具有最佳网络结构的堆叠LSTM模型对关键性能指标数据进行预测。

2.根据权利要求1所述的方法，其特征在于，在所述利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数之前，所述方法还包括：

对所述关键性能指标数据进行归一化处理；

将经过归一化处理的所述关键性能指标数据按照预设比例划分为训练数据集、验证数据集和测试数据集；

利用滑动窗口技术将所述训练数据集、所述验证数据集和所述测试数据集中的数据分割成重叠的短序列片段。

3.根据权利要求2所述的方法，其特征在于，所述利用粒子群优化算法搜寻所述多层堆叠LSTM模型的最优参数，具体包括：

初始化粒子群参数和所述多层堆叠LSTM模型参数；所述粒子群参数包括粒子群规模、最大迭代次数、粒子的速度和位置；

将所述训练数据集中的数据输入所述多层堆叠LSTM模型进行训练得到训练模型；

将所述验证数据集中的数据作为第一数据，将所述第一数据输入所述训练模型中进行预测得到第二数据；

利用所述第一数据、所述第二数据计算粒子适应度值；

根据所述粒子适应度值确定所述粒子的局部最优位置和全局最优位置；

利用所述局部最优位置或所述全局最优位置更新所述粒子的速度和位置；

当所述粒子群优化算法达到所述最大迭代次数时，停止对所述粒子的速度和位置进行更新，并获取所述多层堆叠LSTM模型的学习率、各层神经元个数、迭代次数；

将获取的所述多层堆叠LSTM模型的学习率、各层神经元个数、迭代次数作为所述多层堆叠LSTM模型的最优参数。

4.根据权利要求3所述的方法，其特征在于，所述利用所述第一数据、所述第二数据计算粒子适应度值，具体包括：

根据所述第一公式，利用所述第一数据、所述第二数据计算粒子适应度值；所述第一公式为：其中f为粒子适应度函数，N为验证数据的数量，为第二数据中第i个数据的预测值，y_i为第一数据中第i个数据的真实值。

5.根据权利要求3所述的方法，其特征在于，所述利用所述局部最优位置或所述全局最优位置更新所述粒子的速度和位置，具体包括：

根据第二公式，利用所述局部最优位置更新所述粒子的速度；或，根据第三公式，利用所述全局最优位置更新所述粒子的速度；所述第二公式为：其中，k代表当前迭代次数，代表迭代k+1次时第i个粒子的速度，代表迭代k次时粒子的速度、位置、局部最优位置，c₁、c₂为加速因子，r₁、r₂为0到1的随机数，ω为惯性系数且小于经验值；所述第三公式为：其中，k代表当前迭代次数，代表迭代k+1次时第i个粒子的速度，代表迭代k次时粒子的速度、位置、全局最优位置，c₁、c₂为加速因子，r₁、r₂为0到1的随机数，ω为惯性系数且大于等于经验值；

根据第四公式更新所述粒子的位置；所述第四公式为：其中，代表迭代k+1次时第i个粒子的速度，代表迭代k次时粒子的位置，代表迭代k+1次时粒子的位置。