【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种基于多尺度序列融合lstm网络的新能源汽车销量预测方法。
技术介绍
1、随着科技的发展，新能源汽车市场占比越来越高。现有新能源汽车销量预测方法大多是根据销量数据直接构建模型进行预测，基本思路为：在选取出所需的往年新能源汽车销量数据后，通常选用ssa-svr研究模型或某些组合模型，通过分析往年销量中的某些线性关系，直接得出预测的销量数据。
2、以上方法在新能源汽车销量数据预测过程中，仅考虑到销量数据本身的相关性，忽略了会对新能源汽车销量造成影响的其他指标变化。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种基于多尺度序列融合lstm网络的新能源汽车销量预测方法。具体包括：
2、第一方面，本专利技术提供了一种基于多尺度序列融合lstm网络的新能源汽车销量预测方法，应用于基于多尺度序列融合lstm网络，
3、基于多尺度序列融合lstm网络，包括：
4、多尺度序列生成模块、多尺度序列特征提取和预测模块；
5、多尺度序列特征提取和预测模块，包括集成单元，以及一对一连接的n个lstm单元组和n个全连接层组，各lstm单元组中包括2层lstm单元，各全连接层组中包括3层全连接层，n为大于等于1的正整数；
6、该方法，包括：
7、多尺度序列生成模块，按照n个预设的截取长度以多个预设时刻为起点对获取的目标影响因素指标时间序列进行截取处理，并将截取长度相同的
8、多尺度序列特征提取和预测模块，采用不同的lstm单元组对各子时间序列进行特征提取，得到特征提取结果，并通过相应的全连接层组根据相应的特征提取结果得到子预测结果，并通过集成单元根据各子预测结果得到最终的销量预测结果。
9、第二方面，本专利技术还提供了一种基于多尺度序列融合lstm网络的训练方法，包括：
10、s71，初始化基于多尺度序列融合lstm网络的权重和偏置；
11、s72，将获取的目标影响因素指标的时间序列作为输入序列输入到基于多尺度序列融合lstm网络中，得到预测值，目标影响因素指标属于预设的新能源汽车销量影响因素指标体系；
12、s73，使用mse损失函数计算预测值和真实值之间的差异；
13、s74，根据损失函数的梯度，使用反向传播算法计算参数的梯度；
14、s75，使用adam优化算法根据梯度更新基于多尺度序列融合lstm网络的网络参数；
15、s76，重复执行步骤s72到步骤s75，直到达到预先设定的最大迭代次数。
16、第三方面，本专利技术还提供了一种基于多尺度序列融合lstm网络，包括：
17、多尺度序列生成模块、多尺度序列特征提取和预测模块；
18、多尺度序列特征提取和预测模块，包括集成单元，以及一对一连接的n个lstm单元组和n个全连接层组，各lstm单元组中包括2层lstm单元，各全连接层组中包括3层全连接层，n为大于等于1的正整数；
19、多尺度序列生成模块，用于按照n个预设的截取长度以多个预设时刻为起点对获取的目标影响因素指标时间序列进行截取处理，并将截取长度相同的序列划归为同一个子时间序列，并根据各子时间序列和相应预设时刻的新能源汽车销量，构建多尺度时间序列，目标影响因素指标属于预设的新能源汽车销量影响因素指标体系；
20、多尺度序列特征提取和预测模块，用于采用不同的lstm单元组对各子时间序列进行特征提取，得到特征提取结果，并通过相应的全连接层组根据相应的特征提取结果得到子预测结果，并通过集成单元根据各子预测结果得到最终的销量预测结果。
21、第四方面，本专利技术还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
22、存储器，用于存放计算机程序；
23、处理器，用于执行存储器上所存放的程序时，实现第一方面或第二方面所提供的任一方法。
24、第五方面，本专利技术提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现第一方面或第二方面所提供的任一方法。
25、本专利技术的有益效果：
26、本专利技术提供的基于多尺度序列融合lstm网络的新能源汽车销量预测方法，基于多尺度序列融合lstm网络能够更加充分的学习到各种影响因素指标体系之间的内在变化规律与模式，该方法具体通过多尺度序列生成模块按照预设的截取长度以预设时刻为起点对获取的预设的各目标影响因素指标的时间序列进行截取处理，得到n个不同长度的子时间序列，并分别根据各目标影响因素指标对应的子时间序列和预设时刻的新能源汽车销量，构建对应的多尺度时间序列，引入时间多尺度策略，构建不同时间长度的时间序列，进而得到多尺度时间序列，进一步的，多尺度序列特征提取和预测模块采用不同的lstm单元对各子时间序列进行特征提取，得到特征提取结果，并通过相应的全连接层根据相应的特征提取结果得到子预测结果，进而通过集成单元根据各子预测结果得到最终的销量预测结果，从而通过结合多个指标并充分提取不同时间长度下指标的特征得到多个子预测结果，进而基于不同尺度分支下得到的子预测结果得到更为准确的最终的销量预测结果，达到了更优的预测效果。
27、以下将结合附图及实施例对本专利技术做进一步详细说明。
本文档来自技高网...【技术保护点】
1.一种基于多尺度序列融合LSTM网络的新能源汽车销量预测方法，其特征在于，应用于基于多尺度序列融合LSTM网络，
2.根据权利要求1所述的方法，其特征在于，所述多尺度时间序列，表示为：
3.根据权利要求1或2所述的方法，其特征在于，所述多尺度序列特征提取和预测模块，描述为：
4.根据权利要求3所述的系统，其特征在于，
5.根据权利要求1或2所述的方法，其特征在于，所述目标影响因素指标包括：充电桩保有量、居民消费价格指数、居民人均可支配收入、新能源汽车产业投融资披露总额、国内生产总值GDP、续航售价比、续航快充比、碳酸锂价格、汽油价格和新能源乘用车产能。
6.根据权利要求5所述的方法，其特征在于，所述新能源汽车销量影响因素指标体系，包括一级指标、二级指标和三级指标；
7.一种基于多尺度序列融合LSTM网络的训练方法，其特征在于，包括：
8.一种基于多尺度序列融合LSTM网络，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
...【技术特征摘要】
1.一种基于多尺度序列融合lstm网络的新能源汽车销量预测方法，其特征在于，应用于基于多尺度序列融合lstm网络，
2.根据权利要求1所述的方法，其特征在于，所述多尺度时间序列，表示为：
3.根据权利要求1或2所述的方法，其特征在于，所述多尺度序列特征提取和预测模块，描述为：
4.根据权利要求3所述的系统，其特征在于，
5.根据权利要求1或2所述的方法，其特征在于，所述目标影响因素指标包括：充电桩保有量、居民消费价格指数、居民人均可支配收入、新能源汽车产业投融资披露总额、国内生产总值gdp、续航售价比、续航快充比、碳酸锂价格、汽油价格和新能源...
【专利技术属性】
技术研发人员：朱文雅，郝旭东，杨文贵，李守坤，常珈绮，
申请(专利权)人：三门峡职业技术学院三门峡开放大学，
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。