【技術實現步驟摘要】
本專利技術涉及數據處理，具體為一種cnn-bilstm-matt時間序列預測方法。
技術介紹
1、時間序列預測是一項重要的數據分析技術，通過分析歷史數據來幫助我們預測未來數值或發展趨勢。主要方法包括基于計量的預測方法和基于機器學習的預測方法。其中，計量預測方法包括差分整合移動平均自回歸模型(arima)、季節性時間序列模型(sarima)等，然而計量模型在處理時間序列時存在一些條件限制，即要求時間序列具有平穩性。對于非線性、非平穩數據而言，計量模型的處理效果較差。機器學習模型具備自動學習數據特征及更新參數的能力，可以有效提取數據集中非平穩非線性特征。常見的機器學習方法包括bp神經網絡(bpnn)、卷積神經網絡(cnn)、長短期記憶網絡(lstm)等，這些模型由于在對復雜非線性、非平穩的數據進行處理時，不需要提供特定條件，具有更多的優勢，獲得了廣泛的應用。在針對非線性時間序列數據的特定應用中，機器學習模型往往能夠更精細地提取數據信息，并有效提升預測準確率。
2、目前，關于神經網絡在時間序列預測中的運用有著很多種優化方法，涉及各種計算優化以及結構優化方法：有神經網絡與模糊理論結合、cnn和lstm結合、群智能優化算法和神經網絡結合等。混合預測模型效果高于單一預測模型，其能夠更好地學習時間序列的特征，從而達到提升預測準確率的目的。當前時間序列預測的研究非常豐富，包括基于計量的預測方法、基于機器學習的預測方法以及混合預測方法等。關于這些方法仍然存在一些不足：首先，基于計量的預測模型對復雜非線性時間序列的預測能力相對較弱；其次
3、例如申請號為202311513617.9的申請，由于沒有數據的降維操作，在原始數據的特征很多的情況下，可能會對模型的效率和預測結果產生不利影響。該項技術使用bilstm和注意力機制進行結合，對時間序列數據進行預測，沒有使用相關技術對所涉及到的多種超參數進行優化，手工設置的超參數會影響預測精度。
4、例如申請號為202311611340.3所采用的是線性回歸的方法，通過群智能優化算法中的粒子群算法對線性回歸中的各種權重進行優化，從而提高預測性能，屬于計量型時間序列預測模型，適用于線性時間序列預測數據，對于復雜的、非線性的時間序列數據而言，其預測精度會大大下降。
5、針對上述傳統方法復雜度高和效率低的缺陷與需求，就需要一種cnn-bilstm-matt時間序列預測方法。
技術實現思路
1、本專利技術的目的在于提供一種cnn-bilstm-matt時間序列預測方法。本專利技術克服當前時間序列預測方法的缺點，特別是基于計量的預測模型對復雜非線性時間序列的預測性能較弱；機器學習神經網絡類方法需要人工調整參數設置，隨機性較強；解決了對時間序列數據內在特征提取不足導致預測誤差較大等問題?？梢詮V泛應用于參數求優問題中，提高收斂程度，高效尋得最優解。
2、本專利技術是這樣實現的，本專利技術提供一種cnn-bilstm-matt時間序列預測方法,具體按以下步驟執行：
3、s1：輸入需要預測的時間序列數據，包括多個特征值輸入和一個特征值輸出；
4、s1.1：進行數據歸一化處理；對輸入數據按照式(ⅰ)進行歸一化處理，將歸一化后的數據集映射在[-1,1]之間，預測之后對輸出數據進行反歸一化處理；
5、
6、s2：優化cnn-bilstm-matt中的超參數：根據iho算法初始化cnn-bilstm中的超參數，包括學習率、l2正則化系數和隱藏層數，并在迭代過程中獲取最優超參數值；
7、s2.1：根據數據特征數量設置初始迭代次數；
8、s2.2：種群初始化，使用logistics-tent混沌映射對河馬優化算法ho進行種群初始化，以增強初始種群的多樣性和算法的全局搜索能；
9、s2.3：優化河馬迭代過程，引入自適應權重系數來優化河馬迭代過程中的隨機乘數，從而提出一種混沌自適應河馬優化算法(iho)；
10、采用logistics-tent混沌映射進行初始化，將一維logistic系統、tent混沌系統進行集成為logistics-tent復合混沌系統，如式(1)；
11、
12、其中，xn為第n個混沌數，n為迭代次數，r為實數，mod表示取余，當r＝4時，該式就轉變為logistic映射；
13、將式(1)生成的混沌序列轉化到種河馬群解空間，河馬種群的初始位置及捕食者在搜索空間中的位置如式(2)-式(3)；
14、xi：xi，j＝lbj+xn(ubj-lbj)，i＝1,2，......，n；j＝1,2，......，m??式(2)
15、predator：predatorj＝lbj+xn(ubj-lbj)，j＝1,2，...，m??式(3)
16、其中，由式(2)生成種群矩陣，如式(4)-式(6)所示，其中，xi表示第i個候選解的位置；r是[0,1]范圍內的隨機數；lbj和ubj分別表示第j個決策變量的下界和上界；n表示群體中河馬的種群規模；m表示問題中決策變量的數量；
17、
18、其中，式(5)表示種群中雄性河馬成員在湖泊或池塘中的位置更新，表示雄性河馬的位置；dh表示河馬首領的位置，即在當前迭代中具有最佳目標值的河馬；α表示[0,1]之間的隨機數，向量h中5個表達式分別表示5種情景用來增強全局搜索能力；
19、
20、其中，是[0,1]之間的隨機向量；r5是[0,1]之間的隨機數；i1、i2是取值為{1,2}的整數隨機數；q1、q2是取值為{0,1}的整數隨機數。如式(7)-式(9)；
21、
22、其中，描述了種群內雌性或未成熟河馬的位置，t表示當前迭代，t表示最大迭代次數，若θ＞0.6，則表明未成熟的河馬與其母體已疏遠，其中，mgi表示一些隨機選擇的河馬的平均值；r6、r7是取值范圍為[0,1]的隨機數；若r6＞0.5說明幼年河馬已于母親保持距離，但仍在河馬群附近，否則已經與河馬群分離；h1、h2是從式(6)中隨機選擇的數字或向量。
23、如式(10)-式(11)；
24、
25、其中，式(10)、式(11)描述了種群內雄性河馬雌性河馬或幼年河馬的位置更新；fi為目標函數值。
26、進行第二階段，目標防御，如式(12)；
27、
28、predatorj表示捕食者在搜索空間中的位置(由式(3)生成)；表示第i只河馬到捕食者的距離；如式(13)；
29、
30、河馬根據因子進行防御行為，以保護自身免受捕食者的侵害。式(13)中，若說明捕食者距離河馬很近，在這種情況下，河馬迅速轉向捕食者，并向捕食者移動，使其后退。若較大，則表明捕本文檔來自技高網...
【技術保護點】
1.一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于：具體按以下步驟執行：
2.根據權利要求1所述的一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于，在步驟S2中，采用Logistics-Tent混沌映射進行初始化，將一維Logistic系統、Tent混沌系統進行集成為Logistics-Tent復合混沌系統，如式(1)；
3.根據權利要求2所述的一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于，如式(7)-式(9)；
4.根據權利要求3所述的一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于，如式(10)-式(11)；
5.根據權利要求4所述的一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于，進行第二階段，目標防御，如式(12)；
6.根據權利要求5所述的一種CNN-BiLSTM-MATT時間序列預測方法，其特征在于，進入第三階段，進行逃離，河馬在當前位置附近找到一個安全的位置，在河馬當前位置附近產生一個隨機位置；如式(17)；
7.根據權
8.一種計算機可讀存儲介質，存儲介質存儲有計算機程序，其特征在于，所述計算機程序被主控制器執行時實現如上述權利要求1-7中的任一項所述的方法。
...【技術特征摘要】
1.一種cnn-bilstm-matt時間序列預測方法，其特征在于：具體按以下步驟執行：
2.根據權利要求1所述的一種cnn-bilstm-matt時間序列預測方法，其特征在于，在步驟s2中，采用logistics-tent混沌映射進行初始化，將一維logistic系統、tent混沌系統進行集成為logistics-tent復合混沌系統，如式(1)；
3.根據權利要求2所述的一種cnn-bilstm-matt時間序列預測方法，其特征在于，如式(7)-式(9)；
4.根據權利要求3所述的一種cnn-bilstm-matt時間序列預測方法，其特征在于，如式(10)-式(11)；
5...
【專利技術屬性】
技術研發人員：李青，張文宇，姜敏姍，陳建輝，滕娟，楊晶，耿建晶，
申請(專利權)人：電信科學技術第四研究所有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。