一种基于变体LSTM的长期时间序列数据预测方法

摘要

本发明公开了一种基于变体LSTM的长期时间序列数据预测方法，通过改进传统LSTM模型建立一种变体LSTM循环神经网络模型，利用变体LSTM循环神经网络模型建立了一种两阶段预测方法，首先，利用历史数据训练变体LSTM网络得到用于预测未来数据的网络模型；其次，将需要预测的时间序列的时长平均分为前半段和后半段，利用训练好的网络模型学习预测出前半段的信号值；然后取历史数据的后半段与预测出的前半段信号值进行合并得到新的训练集，最后利用新的训练集对网络模型的参数进行微调实现网络模型更新，利用更新后的模型预测出后半段的信号值。最终将前后两半段的信号值合并得到预测的时间序列数据。本发明提高了预测进度。