【技术实现步骤摘要】
本申请涉及机器学习领域，特别是涉及一种基于优化储备池计算的时间序列预测方法及装置。
技术介绍
1、储备池计算是一种新兴的机器学习算法，通常用于预测非线性系统的行为，与传统的前馈神经网络不同，储备池计算的关键组成部分包括输入权重、储层、储层状态和读出层，其中，输入权重通常是通过随机选择生成的，这些权重被设计用于将数据的坐标的每一种组合单独输入到储层中，储层通常是由随机网络构成的，其结构相对更加随机且不具备特定特征分离的设计，储层状态是通过一个迭代更新方程计算得出的，通常需要通过非线性激活函数来捕捉数据的非线性特性，读出层负责从储层响应中转换为输出变量。读出层可能包括储层状态的平方，用于捕捉数据的非线性特性。
2、储备池计算依赖于一个固定的储层结构，该储层结构一但构建完成就保持静态，且后续的过程该储层结构不再变化，与此同时，输入权重也要保持静态，这使得储备池计算在训练过程中仅需要对输出层进行优化，极大的提高了计算效率。
3、但是，由随机网络构成的储层结构非常复杂导致难以理解，所以储备池计算存在以下几个主要缺陷：
4、1、传统储备池计算中使用随机矩阵构建储层导致模型结构的不确定性和随机性，从而对模型的稳定性和可靠性产生影响，导致模型在不同数据集上的表现不一致；
5、2、传统的储备池计算模型通常涉及到大量的超参数，例如网络的维度、随机矩阵的尺寸、目标的半径等都存在大量的超参数，这些超参数的选择的调整对模型性能具有重要影响，但往往需要对超参数进行大量的优化和试验才能得到最佳性能，增加了调参的
6、3.由于传统储备池计算模型的不确定性和随机性会使传统储备池计算在面对高维度的非线性数据时性能不稳定，模型的预测能力受到噪声干扰从而难以捕捉数据中的复杂特征；
7、4.传统的储备池计算在面对大规模的数据集时通常需要大量的计算资源，而储备池计算中的储层结构也需要大量的计算资源，而资源总量是有限的，所以传统的储备池计算很难在大规模数据集上进行应用。
8、综上所述，亟需一种参数量小、稳定性高且计算量需求低的储备池计算方法从而可以更好的处理高维度数据、高复杂度数据和非线性数据。
技术实现思路
1、本申请实施例提供了一种基于优化储备池计算的时间序列预测方法及装置，通过将储层结构改为块对角矩阵从而减少储备池计算的参数并降低计算资源需求，使其能够在高维度数据、高复杂度数据和非线性数据中运行。
2、第一方面，本申请实施例提供了一种基于优化储备池计算的时间序列预测方法，所述方法包括：
3、构建储备池计算模型，所述储备池计算模型包括输入层、储层以及输出层，其中在所述输入层内基于预设的储层块大小内构建输入权重矩阵，将储层设计为由多个对角矩阵块组成的块对角矩阵，块对角矩阵中的对角矩阵数量等于储层块大小，且每一对角矩阵对角线上的元素全为1；
4、获取以时序序列表示的预测数据，将所述预测数据经由输入层中的输入权重矩阵得到输入特征，将输入特征映射到块对角矩阵中的每一对角矩阵上得到特征储层，计算所述特征储层的谱半径并将特征储层的谱半径缩放至默认目标谱半径得到重缩放储层，基于重缩放储层对输入特征采用迭代更新方程进行更新得到储层状态，其中所述储层状态为所述重缩放储层的动态行为，在所述输出层中预设输出权重矩阵，使用所述输出权重矩阵根据储层的储层状态获取下一时刻的预测结果。
5、第二方面，本申请实施例提供了一种基于优化储备池计算的时间序列预测装置，包括：
6、构建模块：构建储备池计算模型，所述储备池计算模型包括输入层、储层以及输出层，其中在所述输入层内基于预设的储层块大小内构建输入权重矩阵，将储层设计为由多个对角矩阵块组成的块对角矩阵，块对角矩阵中的对角矩阵数量等于储层块大小，且每一对角矩阵对角线上的元素全为1；
7、预测模块：获取以时序序列表示的预测数据，将所述预测数据经由输入层中的输入权重矩阵得到输入特征，将输入特征映射到块对角矩阵中的每一对角矩阵上得到特征储层，计算所述特征储层的谱半径并将特征储层的谱半径缩放至默认目标谱半径得到重缩放储层，基于重缩放储层对输入特征采用迭代更新方程进行更新得到储层状态，其中所述储层状态为所述重缩放储层的动态行为，在所述输出层中预设输出权重矩阵，使用所述输出权重矩阵根据储层的储层状态获取下一时刻的预测结果。
8、第三方面，本申请实施例提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行一种基于优化储备池计算的时间序列预测方法。
9、第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括一种基于优化储备池计算的时间序列预测方法。
10、本专利技术的主要贡献和创新点如下：
11、本申请实施例将储层结构优化为块对角矩阵，并根据预设的储层块大小来构建输入权重矩阵，通过优化后的储层结构和输入权重矩阵的构建方法减少了储备池计算需要的资源，并缩短了训练时间；由于本方案使用块对角矩阵作为储层结构，从而降低了系统的复杂性，提高了储备池计算模型的可理解性和通用性；本方案中的输出层通过构建输出权重矩阵，并基于储层状态以及输出权重矩阵得到预测结果，对于高阶非线性状态和优化更好，使本方案中的输出层可以更好的捕获数据的复杂性，提高了储备池计算模型的准确性和稳定性；本方案高效的利用了计算资源，在实际应用中降低了能源和计算资源成本的消耗，同时提高了数据处理和预测的效率。
12、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
本文档来自技高网...【技术保护点】
1.一种基于优化储备池计算的时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，在“在所述输入层内基于预设的储层块大小内构建输入权重矩阵”中，所述储层块大小根据系统特性和数据维度进行预设，构建以储层块大小作为数值间距且介于[1，0]之间的递减数值矩阵，对所述递减数值矩阵中的每个元素进行平方根计算得到输入权重矩阵。
3.根据权利要求1所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，在“计算所述特征储层的谱半径并将特征储层的谱半径缩放至默认目标谱半径得到重缩放储层”步骤中，所述特征储层的谱半径与所述储层块大小相等，预设目标谱半径，使用所述目标谱半径乘以特征储层再除以特征储层的谱半径得到所述重缩放储层。
4.在“基于重缩放储层对输入特征采用迭代更新方程进行更新得到储层状态”步骤中，获取所述重缩放储层的当前状态，采用迭代更新方程对重缩放储层的当前状态进行更新得到储层状态。
5.根据权利要求4所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，对储层中
6.根据权利要求1所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，在“使用所述输出权重矩阵根据储层的储层状态获取下一时刻的预测结果”步骤中，获取所述储层状态的广义状态，基于所述输出权重矩阵与储层状态的广义状态得到下一时刻的预测结果。
7.根据权利要求6所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，输出层捕捉储层当前状态的当前广义状态，再基于非线性阶数大小和储层块大小来获取储层中的非线性特征，所述非线性特征为储层中特征之间的非线性关系，所述输出权重矩阵储层基于储层状态的广义状态以及储层中的非线性特征来得到下一时刻的预测结果。
8.一种基于优化储备池计算的时间序列预测装置，其特征在于，包括：
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1-7任一所述的一种基于优化储备池计算的时间序列预测方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1-7任一所述的一种基于优化储备池计算的时间序列预测方法。
...【技术特征摘要】
1.一种基于优化储备池计算的时间序列预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，在“在所述输入层内基于预设的储层块大小内构建输入权重矩阵”中，所述储层块大小根据系统特性和数据维度进行预设，构建以储层块大小作为数值间距且介于[1，0]之间的递减数值矩阵，对所述递减数值矩阵中的每个元素进行平方根计算得到输入权重矩阵。
3.根据权利要求1所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，在“计算所述特征储层的谱半径并将特征储层的谱半径缩放至默认目标谱半径得到重缩放储层”步骤中，所述特征储层的谱半径与所述储层块大小相等，预设目标谱半径，使用所述目标谱半径乘以特征储层再除以特征储层的谱半径得到所述重缩放储层。
4.在“基于重缩放储层对输入特征采用迭代更新方程进行更新得到储层状态”步骤中，获取所述重缩放储层的当前状态，采用迭代更新方程对重缩放储层的当前状态进行更新得到储层状态。
5.根据权利要求4所述的一种基于优化储备池计算的时间序列预测方法，其特征在于，对储层中每一特征的当前状态进行迭代得到每一特征状态的迭代结果，整合所有特征的迭代结果得到储层状态...
【专利技术属性】
技术研发人员：许振影，张旷，周华健，曹天佑，陈志文，蔡静，方震宇，
申请(专利权)人：浙江一山智慧医疗研究有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。