[发明专利]一种时间序列数据的预测方法和系统

摘要

本发明提供了一种时间序列数据的预测方法和系统。该方法包括对由t‑1个时刻的数据组成的序列进行小波分解，得到n个子序列；对n个子序列分别进行平稳性检测；其中，对于非平稳序列，利用t‑1时刻的数据建立深度学习LSTM模型，并分别预测t时刻的值，然后求和得到非平稳部分预测；同理，对于平稳子序列，则分别建立ARMA模型然后预测t时刻的值，并求和得到平稳部分的预测；最后将非平稳部分和平稳部分在t时刻的预测值求和，得到最终预测值。本发明方法通过小波分解，充分结合LSTM和ARMA的优势，相较于传统方法在处理非平稳时间序列上有更好的效果。此外，得益于本模型中独特的LSTM结构，使本发明的预测、泛化能力都较好，适用于各个领域时间序列预测。

主权项

一种时间序列数据的预测方法，其特征在于，所述方法包括：步骤1，对由t‑1个时刻的数据组成的序列进行小波分解，得到n个子序列，其中每个子序列由相应的t‑1个时刻的数据组成，其中，t为大于1的自然数，n为大于等于2的自然数；步骤2，对所述n个子序列分别进行平稳性检测，其中有j个平稳子序列和n‑j个非平稳子序列，其中j为大于等于1且小于等于n的自然数；步骤3，利用j个平稳子序列的t‑1个时刻的数据分别建立ARMA模型，并分别预测每个平稳子序列t时刻的数据，并将预测的各平稳子序列的t时刻的数据求和得到所述时间序列的t时刻的第一预测值；步骤4，利用n‑j个非平稳子序列的t‑1个时刻的数据分别建立LSTM模型，并分别预测每个非平稳子序列t时刻的数据，并将预测的各非平稳子序列t时刻的数据求和得到所述时间序列的t时刻的第二预测值；步骤5，将所述时间序列的t时刻的所述第一预测值和所述第二预测值求和，获得所述时间序列的t时刻的预测数据。