【技術實現步驟摘要】
本專利技術屬于時序數據預測，尤其涉及一種引入動態誤差的時序數據預測優化方法和系統。
技術介紹
1、在過去的幾十年中，時間序列預測方法已在異常檢測、事件預測、電力負荷預測、股票市場分析、交通流量預測和健康監測等領域得到了廣泛應用。為了提升復雜時間序列數據在實際工程中的預測性能，研究者們不斷創新并優化各種預測方法。然而，時間序列數據的固有復雜性，源自其生成過程的非線性、非平穩性以及數據中的噪聲、多尺度特征、高維性、缺失值和有限的觀測長度等，諸多因素的相互作用，使得時間序列數據難以建模和預測，從而對現有的分析方法提出了嚴峻挑戰。
2、傳統的統計模型和機器學習算法在時間序列預測中存在諸多局限性，例如對非線性特征的提取能力有限、對長時依賴性的建模不足、對數據噪聲的敏感性較高，以及在處理高維數據時的靈活性和適用性較差。這些不足導致了預測誤差的增加，降低了預測的準確性，并影響了模型在實際應用中的可靠性。隨著深度學習技術的快速發展，它憑借其多層神經網絡的結構，能夠自動提取復雜特征，從而在時間序列預測任務中顯著提高了準確性和魯棒性。特別是遞歸神經網絡(rnn)及其變種(如長短期記憶網絡lstm)、圖神經網絡(gnns)、生成對抗網絡(gans)和transformer等深度學習模型，已在處理時間序列數據的非線性關系和長時依賴性方面展現了顯著優勢。然而，深度學習模型也存在諸如計算成本高、模型訓練和調優的復雜性、依賴大規模數據以及“黑箱”特性導致的模型解釋性差等不足。目前的時序預測研究主要向兩個方向發展，一種是改進與優化深度學習模型的結構
3、系統誤差往往源于數據本身的偏差、模型假設的理想程度以及外界環境的復雜性等因素，因此另一種研究方向是從誤差修正的視角改進預測結果，這種方法著重于模型在預測過程中對模型進行修正。通過引入殘差網絡或基于殘差的優化算法，可以更有效地捕捉和修正預測中的誤差，從而提高模型的準確性。然而，基于誤差修正視角的解決方法容易依賴特定的數據集和應用場景，這就限制了其在不同條件下的泛化能力，導致在面對新的或變化的環境中效果不穩定。此外，在知識與數據雙驅動下的實際工程應用中，隨著復雜系統的動態變化，歷史的誤差信息對未來點的預測影響也是變化差異的，這就會導致基于誤差修正的策略可能無法捕捉和更新隨時間變化的誤差信息，從而限制了修正效果的全面性和準確性。
技術實現思路
1、本專利技術的目的在于克服現有技術缺陷，提出了一種引入動態誤差的時序數據預測優化方法及系統。
2、為了實現上述目的，本專利技術提出了一種引入動態誤差的時序數據預測優化方法，包括：
3、步驟1)對待處理的時間序列數據進行預處理；
4、步驟2)將預處理后的數據輸入預先建立和訓練好的預測模型，得到初步預測數據；
5、步驟3)將初步預測數據與預處理后的數據進行比較，得到初步誤差；
6、步驟4)基于初步誤差，結合不同時間長度的歷史數據，根據時間衰減函數得到長期誤差和近期誤差，通過加權組合，得到修正后的預測值，實現動態誤差實時修正。
7、優選的，所述步驟1)包括：
8、去除野值、填補缺失值和降噪處理的數據清洗；
9、對數據清洗后的數據進行特征選擇，提取關鍵特征。
10、優選的，所述步驟2)的預測模型為patchtst、timesnet或itransformer模型。
11、優選的，所述步驟3)包括：
12、將預處理后的時間序列的實際值yt與經過預測模型得到的初步預測值yt進行比較，得到的差值形成的序列et為初步誤差。
13、優選的，所述步驟4)的時間衰減函數f(h)為指數型、分式型或高斯型；
14、對于指數型，滿足下式：
15、f(h)＝α-h
16、其中，底數α取自然底數e、2或3；h表示從當前時刻t之前的時長；
17、對于分式型，滿足下式：
18、f(h)＝1/1+βh
19、其中，β代表時間衰減因子，決定f(h)的衰減速率；
20、對于高斯型，滿足下式：
21、
22、其中，n為滑動窗口大小，γ為常數值。
23、優選的，所述步驟4)修正后的預測值滿足下式：
24、
25、其中，為t時刻目標變量y的初步預測值，wi表示長期誤差和近期誤差各自的加權因子，兩種加權因子的和為1，其中，i＝1對應的是t時刻以前的p時長，為長時長m，i＝2對應的是t時刻以前的p時長，為短時長n，yt-h和分別為t-h時刻目標變量y的真實值和初步預測值，maxerr為h時長內所有時間點中真實值與初步預測值的差值取絕對值，其中的最大值。
26、優選的，加權因子wi滿足下式：
27、wi＝(1/n)·e-λi/n,n＝2,i＝1,2或w2＝1-w1,w1∈[0.0,1.0]
28、其中，λ為平滑因子。
29、另一方面，本專利技術還提供了一種引入動態誤差的時序數據預測優化系統，包括：
30、預處理模塊，用于對待處理的時間序列數據進行預處理；
31、初步預測模塊，用于將預處理后的數據輸入預先建立和訓練好的預測模型，得到初步預測數據；
32、初步誤差輸出模塊，用于將初步預測數據與預處理后的數據進行比較，得到初步誤差；
33、動態修正模塊，用于基于初步誤差，結合不同時間長度的歷史數據，根據時間衰減函數得到長期誤差和近期誤差，通過加權組合，得到修正后的預測值，實現動態誤差實時修正。
34、與現有技術相比，本專利技術的優勢在于：
35、1、本專利技術提出了一種引入動態誤差的預測優化方法，對基準預測結果進行實時調整，且通過基于多種時間衰減函數動態調整長期誤差和近期誤差對未來誤差的影響權重，使修正過程更加靈活和準確。修正結果表明，該方法均顯著提高了預測精度。
36、2、首次將動態誤差修正方法應用于衛星遙測數據的時間序列預測中，實現了預測誤差的實時修正，并進行了模型魯棒性驗證。結合深度學習技術，在多個公開數據集上進行驗證，滿足了復雜、多變數據的預測需求，證明了該方法在不同場景下的魯棒性和有效性。
本文檔來自技高網...【技術保護點】
1.一種引入動態誤差的時序數據預測優化方法，包括：
2.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟1)包括：
3.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟2)的預測模型為PatchTST、TimesNet或iTransformer模型。
4.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟3)包括：
5.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟4)的時間衰減函數f(h)為指數型、分式型或高斯型；
6.根據權利要求5所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟4)修正后的預測值滿足下式：
7.根據權利要求6所述的引入動態誤差的時序數據預測優化方法，其特征在于，加權因子wi滿足下式：
8.一種引入動態誤差的時序數據預測優化系統，其特征在于，包括：
【技術特征摘要】
1.一種引入動態誤差的時序數據預測優化方法，包括：
2.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟1)包括：
3.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟2)的預測模型為patchtst、timesnet或itransformer模型。
4.根據權利要求1所述的引入動態誤差的時序數據預測優化方法，其特征在于，所述步驟3)包括：
<...【專利技術屬性】
技術研發人員：張影，劉玉榮，鄒自明，李虎，
申請(專利權)人：中國科學院國家空間科學中心，
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。