一种基于去噪处理的单变量短期时间序列预测方法技术

本发明专利技术公开了一种基于去噪处理的单变量短期时间序列预测方法，包括以下步骤：S1：采集旅游景点人流量数据的原始时间序列信号，并利用多层感知机和线性映射层组成的残差网络提取噪声；S2：利用原始时间序列信号减去提取的噪声，平滑时间序列信号，并对平滑后的时间序列信号进行预测；S3：将平滑后的时间序列信号作为下一次预测的原始时间序列信号，并返回步骤S1，进行新的时间序列预测。本发明专利技术通过使用残差网络学习多个噪声表示，实现了对于时间序列信号的多级过滤平滑，使得深层神经网络可以进一步的避免在小规模时间序列数据集上的过拟合，提高了它的泛化能力。提高了它的泛化能力。提高了它的泛化能力。

【技术实现步骤摘要】
一种基于去噪处理的单变量短期时间序列预测方法


[0001]本专利技术属于时间序列预测
，具体涉及一种基于去噪处理的单变量短期时间序列预测方法。

技术介绍

[0002]现有的时间序列预测方法分为两个类型，第一个类型是点预测，给出的预测值是确定的；第二个类型是概率预测，给出的预测值是以分位数表示的置信区间。本专利技术不涉及概率预测，只针对点预测给出解决方案。点预测算法可以进一步细分为三类，第一类是局部方法，该方法对应的模型需要针对每一条时间序列训练一组模型参数用于预测；第二类方法是全局方法，该方法对应的模型使用大量时间序列一起训练，在预测时所有时间序列都使用一组参数预测；第三类方法结合了第一类和第二类方法，首先使用大量的时间序列一起训练得到一组共有参数，然后在预测时先根据时序特点微调参数再进行预测。
[0003]现有的全局点预测算法主要使用深度学习技术来设计预测模型。由于时间序列数据的前后依赖关系，用于解决时间序列预测问题的模型主要是长短期记忆神经网络(LSTM)、时间卷积神经网络(TCN)和转换器(Transformer)一类的序列模型。这类模型在解决时间序列长期(通常有几千甚至上万个历史时点)依赖关系和复杂依赖关系(例如混沌序列)预测上取得较好的结果。但在短期时间预测(通常只有几十到一两百个历史时点)上，上述提到的模型结果都还不够出色，如果不精心设计，很难超越传统的统计方法。数据增强被认为是一个解决这类问题的重要途径，通过使用时序分解后重组或者使用注入噪声的技术在一定程度上能解决这个问题。但是如何分解并重组时序和注入噪声都需要人为观察时序的特点来选择分解组合算法或者噪声类型及大小，这不利于将算法扩展成为一个通用性强的算法。
[0004]可解释的神经基础扩展时间序列预测网络(N
‑
BEATS)是一个最近提出的一个具有可解释性深度时间序列预测模型，该模型使用残差网络作为基本架构，并且组合了残差网络不同层的预测结果，在短期时间的预测上取得了几乎超越所有统计模型。该模型的能够取得成功的原因是组合了不同层的预测结果来做最终的预测，这是时间序列的特性所决定的。通过组合不同层预测结果，能够学习更多的时序特征，提升预测性能。然而由于N
‑
BEATS是一个深度学习算法，如果没有足够的数目的时间序列来训练模型，模型将会学习到噪声，从而在训练集上过拟合，从而造成预测性能的下降。这是所有目前基于深度学习技术的时间序列预测算法的通病，即必须使用足够的时序进行训练，这在预测一些刚刚兴起的行业数据是难以做到的。旅游类数据，如人流量和车流量等数据充满了大量的噪声。因此，如果没有足够多的时间序列来提供给深度神经网络训练，它将很难在旅游类数据集上取得较好的预测结果。因此针对一些数据量不足的旅游数据预测场景，对模型加入合适的降噪处理模块将有助于提高模型的整体预测精度，减少不必要的干扰。

技术实现思路

[0005]本专利技术的目的是为了解决旅游景点人流量预测精度不高的问题，提出了一种基于去噪处理的单变量短期时间序列预测方法。
[0006]本专利技术的技术方案是：一种基于去噪处理的单变量短期时间序列预测方法包括以下步骤：
[0007]S1：采集旅游景点人流量数据的原始时间序列信号，并利用多层感知机和线性映射层组成的残差网络提取噪声；
[0008]S2：利用原始时间序列信号减去提取的噪声，平滑原始时间序列信号，并对平滑后的原始时间序列信号进行预测；
[0009]S3：将平滑后的时间序列信号作为下一次预测的原始时间序列信号，并返回步骤S1，进行新的时间序列预测。
[0010]进一步地，步骤S1中，提取噪声的具体方法为：将上一次平滑后的时间序列信号x
i
输入到残差网络中的第i个残差模块f
i
(x)，提取其噪声ε
i
。
[0011]进一步地，步骤S1中，第i个噪声ε
i
的计算公式为：
[0012]ε
i
＝f
i
(x
i
‑1)
[0013]其中，f
i
(x
i
‑1)＝Vh4(h3(h2(h1(x
i
‑1))))，h
j
(t)＝relu[W
j
t],j＝1,2,3,4，relu[
·
]＝max(0,t)，f
i
(
·
)表示残差网络的第i个残差模块，x
i
‑1表示上一次的时间序列信号，V表示线性映射，relu[
·
]表示非线性激活函数，W
j
表示线性变换矩阵，h
j
表示多层感知机的第j个隐藏层，t表示函数的输入。
[0014]进一步地，步骤S2包括以下子步骤：
[0015]S21：利用原始时间序列信号减去提取出的噪声，平滑原始时间序列信号；
[0016]S22：将平滑处理后的原始时间序列信号输入至残差网络中进行预测，得到预测值。
[0017]进一步地，步骤S2中，第i次平滑后的信号x
i+1
的计算公式为：
[0018]x
i+1
＝x
i
‑
ε
i
[0019]其中，ε
i
表示第i
‑
1次的噪声，x
i
表示第i
‑
1次平滑后的信号。
[0020]进一步地，步骤S22中，利用残差网络输出预测信号并根据历史时间序列和预测信号得到预测值
[0021]进一步地，步骤S22中，预测信号的计算公式为：
[0022][0023]其中，y
i
表示各个多层感知机和线性映射层组成的预测器得到的对应预测信号，n表示多层感知机和线性映射层组成的预测器数量；
[0024]预测值的计算公式为：
[0025][0026]其中，x
T
表示历史时间序列。
[0027]本专利技术的有益效果是：本专利技术通过使用残差网络学习多个噪声表示，实现了对于时间序列信号的多级过滤平滑，使得深层神经网络可以进一步的避免在小规模时间序列数据集上的过拟合，提高了它的泛化能力。此外，本专利技术通过使用多个独立的预测器对于不同的平滑结果进行预测，组合这些预测结果完成最终的预测，避免了单次平滑造成的结果的不稳定，保证旅游景点人流量预测的准确性。
附图说明
[0028]图1为时间序列预测方法的流程图；
[0029]图2为预测器的结构图。
具体实施方式
[0030]下面结合附图对本专利技术的实施例作进一步的说明。
[0031]在描述本专利技术的具体实施例之前，为使本专利技术的方案更加清楚完整，首先对本专利技术中出现的缩略语和关键术语定义进行说明：
[0032]时间序列(或称动态数列)是指将同一统计指标的数值按其发生的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于去噪处理的单变量短期时间序列预测方法，其特征在于，包括以下步骤：S1：采集旅游景点人流量数据的原始时间序列信号，并利用多层感知机和线性映射层组成的残差网络提取噪声；S2：利用原始时间序列信号减去提取的噪声，平滑原始时间序列信号，并对平滑后的原始时间序列信号进行预测；S3：将平滑后的时间序列信号作为下一次预测的原始时间序列信号，并返回步骤S1，进行新的时间序列预测。2.根据权利要求1所述的基于去噪处理的单变量短期时间序列预测方法，其特征在于，所述步骤S1中，提取噪声的具体方法为：将上一次平滑后的时间序列信号x
i
输入到残差网络中的第i个残差模块f
i
(x)，提取其噪声ε
i
。3.根据权利要求2所述的基于去噪处理的单变量短期时间序列预测方法，其特征在于，所述步骤S1中，第i个噪声ε
i
的计算公式为：ε
i
＝f
i
(x
i
‑1)其中，f
i
(x
i
‑1)＝Vh4(h3(h2(h1(x
i
‑1))))，h
j
(t)＝relu[W
j
t]，j＝1，2，3，4，relu[
·
]＝max(0，t)，f
i
(
·
)表示残差网络的第i个残差模块，x
i
‑1表示上一次的时间序列信号，...

【专利技术属性】
技术研发人员：李昊，许辉，邵杰，何承坤，
申请(专利权)人：四川省人工智能研究院宜宾，
类型：发明
国别省市：