一种基于融合序列分解与时空卷积的时序预测方法

摘要

本发明提出了一种基于融合序列分解与时空卷积的时序预测方法，通过融合序列分解策略和三维时序卷积的神经网络模型(SDBRNN,Series‑Decompose‑Block RNN)进行预测，模型首先基于STL分解策略，将一维时序数据进行时序分解并拼接成为一个兼具时间和空间的三维数据块，再利用三维卷积模型提取数据块的高维时空特征，最后利用LSTM序列模块对高维特征进行反向传播学习。针对原有STL分解中周期不确定的问题，提出了基于趋势季节性分解的改进算法；时序块构造时，根据相关性进行成分组合，以使三维卷积模块可以更好的提取时空特征；同时，三维卷积块是内嵌于LSTM细胞内部的模块，代替了LSTM的门更新操作，使LSTM可以带着数据的时空特征进行学习。经过实验，证明了时序块构造的合理性和模型的有效性。