【技术实现步骤摘要】
本专利技术涉及人工智能，特别是深度学习技术在时间序列预测中的应用，具体为一种基于长短期特征的时间序列预测方法。
技术介绍
1、时间序列预测在矿山开采领域具有重要的应用价值，准确的时间序列预测能够帮助矿业公司优化资源配置、提高生产效率、降低运营风险，并为决策提供科学依据，通过对矿山作业中的资源需求、设备运行状态和环境变化等因素的有效预测，企业能够更合理地制定运营策略，提升整体经济效益。
2、传统的时间序列预测方法通常依赖于统计模型和基于规则的方法。这些方法在面对简单的线性数据时能够取得一定效果，但在处理复杂的矿山开采数据和高维数据时，其预测精度往往不理想，传统模型的局限性主要体现在以下几个方面：一是无法有效捕捉数据中的非线性关系，二是缺乏对长期依赖性的处理能力，三是在面对动态变化的环境时，模型适应性较差。
3、近年来，深度学习技术的快速发展使得神经网络模型在各个领域取得了显著成果。深度学习模型具备强大的特征自动提取能力，能够从大量数据中学习到复杂的模式。这种能力在矿山开采预测中尤为重要，因为该领域涉及多种变量的复杂互动关系。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于长短期特征的时间序列预测方法，解决了上述
技术介绍
中所提到的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于长短期特征的时间序列预测方法，包括以下步骤：
3、输入长度为t的多维时间序列数据y＝{y1,y2,…,yt}；
5、优选的，所述长短特征层包括卷积神经网络和长短期记忆神经网络，卷积神经网络用于提取输入数据的短期变化特征，长短期记忆神经网络用于提取输入数据的长期趋势特征，所述卷积模块的输出特征c由以下公式计算：
6、c＝relu(xt*wc+bc)；
7、其中wc为卷积核的权重向量，bc为偏移量，*表示卷积操作。
8、优选的，所述编码器包括残差结构，所述残差结构用于在长短特征层中进行跨层信息传递，以减轻梯度消失的问题。
9、优选的，所述编码器中的长短特征层通过数据分割模块将卷积神经网络的输出数据分割为短期特征xs，和长期特征xp，所述短期特征输入到lstm网络中，所述长期特征输入到l-lstm网络中。
10、优选的，所述lstm网络的输入门、遗忘门、输出门分别控制短期特征数据的输入、遗忘和输出，而l-lstm网络的输入门、遗忘门、输出门分别控制长期特征数据的输入、遗忘和输出；所述lstm结构处理短期特征xs和l-lstm结构处理长期特征xp，lstm部分的计算过程为：
11、it＝σ(wxixs+whiht-1+bi)，
12、ft＝σ(wxrxs+whrht-1+bf)，
13、ot＝σ(wxoxs+whoht-1+bo)，
14、c′t＝tanh(wxcxs+whcht-1+bc)，
15、ct＝ft☉ct-1+it☉c′t，
16、
17、所述l-lstm部分的计算方法与lstm部分一致，只是输入数据为长期特征xp。
18、优选的，所述递归模块中lstm和l-lstm的输出将组合并输入到最后的输出模块，使用一个神经元数为f的全连接层来组合这两个的输出，计算公式为：
19、
20、其中，ws，wp分别表示权重向量，b表示偏移值，这里的是指整个长短特征层最后的输出，代表了输入数据长期特征和短期特征的融合，其大小为f×t。
21、优选的，所述长短期特征层的输出将经过批量归一化操作与relu激活函数的转换，具体运算为：
22、
23、h”t＝relu(h’t)＝max(0，h’t)；
24、其中，h't是归一化之后的数据，μh代表这个批量数据的均值，σh代表样本方差，而在此基础上，又对数据进行了拉伸和偏移(参数γ与β)，归一化之后的数据经过激活函数后得到了结果h”t。
25、优选的，所述解码器接收编码器的输出数据h′和未来协变量zt+w，并通过处理生成时间序列预测结果，计算公式为：d′＝relu(wd·(h′+zt+w)+bd)。
26、优选的，所述解码器包括至少一个残差块，所述残差块用于整合编码器的输出与未来协变量，其输出通过残差运算得到：d′＝relu(d+h′)。
27、优选的，所述解码器的最终输出通过全连接层映射为时间序列预测的结果，计算公式为：yt+w＝wy·d′+by。
28、本专利技术提供了一种基于长短期特征的时间序列预测方法。具备以下有益效果：
29、1、本专利技术通过结合卷积神经网络和长短期记忆神经网络的长短特征层，能够有效提取时间序列数据中的短期波动和长期趋势，这种多尺度特征提取技术使得模型能够更好地捕捉数据中复杂的时序依赖关系，从而显著提高时间序列预测的准确性。
30、2、本专利技术采用批量归一化层和relu激活函数，不仅提升了模型的训练速度，还增强了模型的表达能力，批量归一化提高了模型的稳定性和泛化能力，使得训练过程更加高效，降低了梯度消失的风险，从而使得深层网络的训练变得更加可行。
31、3、本专利技术中编码器部分通过残差结构实现跨层信息传递，减轻梯度消失问题，从而能够捕获更长期的时序依赖关系，而解码器部分同样采用了残差模块，结合编码器的输出和未来协变量，能够有效整合历史观测特征与未来信息，不仅提升了模型的深度和表达能力，还增强了对复杂时间序列数据的处理能力，从而提高了预测性能。
本文档来自技高网...【技术保护点】
1.一种基于长短期特征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所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述长短特征层包括卷积神经网络和长短期记忆神经网络，卷积神经网络用于提取输入数据的多维数据特征，长短期记忆神经网络用于提取输入数据的长期和短期特征，所述卷积模块的输出特征C由以下公式计算：
3.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述编码器包括残差结构，所述残差结构用于在长短特征层中进行跨层信息传递，以减轻梯度消失的问题。
4.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述编码器中的长短特征层通过数据分割模块将卷积神经网络的输出数据分割为短期特征xs，和长期特征xp，所述短期特征输入到LSTM网络中，所述长期特征输入到L-LSTM网络中。
5.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述LSTM网络的输入门、遗忘门、输出门分别控制短期特征数据的输入、遗忘和输出，而L-LSTM网络的输入门、遗忘门、输出
6.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述递归模块中LSTM和L-LSTM的输出将组合并输入到最后的输出模块，使用一个神经元数为F的全连接层来组合这两个的输出，计算公式为：
7.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述长短期特征层的输出将经过批量归一化操作与ReLU激活函数的转换，具体运算为：
8.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述解码器接收编码器的输出数据h′和未来协变量Zt+w，并通过处理生成时间序列预测结果，计算公式为：
9.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述解码器包括至少一个残差块，所述残差块用于整合编码器的输出与未来协变量，其输出通过残差运算得到：
10.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述解码器的最终输出通过全连接层映射为时间序列预测的结果，计算公式为：yt+w＝Wy·D′+by。
...【技术特征摘要】
1.一种基于长短期特征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所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述长短特征层包括卷积神经网络和长短期记忆神经网络，卷积神经网络用于提取输入数据的多维数据特征，长短期记忆神经网络用于提取输入数据的长期和短期特征，所述卷积模块的输出特征c由以下公式计算：
3.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述编码器包括残差结构，所述残差结构用于在长短特征层中进行跨层信息传递，以减轻梯度消失的问题。
4.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述编码器中的长短特征层通过数据分割模块将卷积神经网络的输出数据分割为短期特征xs，和长期特征xp，所述短期特征输入到lstm网络中，所述长期特征输入到l-lstm网络中。
5.根据权利要求1所述的一种基于长短期特征的时间序列预测方法，其特征在于，所述lstm网络的输入门、遗忘门、输出门分别控制短期特征数据的输入、遗忘和输出，而l-lstm网络的输入门、遗忘门、输出门分别控制长期特征数据的输入、遗忘和输出；所述l...
【专利技术属性】
技术研发人员：郑波，郭文华，夏静慧，刘小千，王彬彬，王巧林，冯国强，李然，杨明辉，贺军令，赵磊，徐清泉，李治飞，刘发亮，张斌，吴凯，王小强，张月，
申请(专利权)人：焦作千业水泥有限责任公司，
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。