(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111602708.0 (22)申请日 2021.12.24 (71)申请人 长春大学 地址 130022 吉林省长 春市朝阳区卫星路 6543号 (72)发明人 李丽娜　黄盛奎　李念峰　靳德政　 (74)专利代理 机构 北京远大卓悦知识产权代理 有限公司 1 1369 代理人 王雪娇 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于时间序列分解和LSTM的时间序列 数据预测方法 (57)摘要 本发明公开了一种基于时间序列分解和 LSTM的时间序列数据预测方法， 包括： 步骤 一、 采 集时间序列数据， 并对其进行预处理， 获得满足 建立预测模 型数据需求的时间序列样本集， 进行 训练集和测试集的划分， 得到第一训练集与第一 测试集； 步骤二、 基于LSTM建立用于趋势分量和 余项预测的第一神经网络， 通过第一训练集进行 训练与调参， 将训练好的第一神经网络模型对第 一训练集进行预测， 获得第一训练集的趋势分量 和余项的预测结果， 进一步处理成第二训练集； 步骤三、 基于ANN建立第二神经网络， 通过第二训 练集进行训练和调参； 步骤四、 将训练好的第一 神经网络和第二神经网络模型对测试集进行联 合预测， 获得拟合的时间序列数据预测结果。 权利要求书2页 说明书6页 附图2页 CN 114239990 A 2022.03.25 CN 114239990 A 1.一种基于时间序列分解和LSTM的时间序列数据预测方法， 其特 征在于， 包括： 步骤一、 采集时间序列数据， 建立预测模型数据需求的时间序列样本集， 进行训练集和 测试集的划分， 得到第一训练集与第一测试集； 步骤二、 基于LSTM建立用于趋势分量和余项预测的第一神经网络， 通过第一训练集进 行训练与调参， 将训练好的第一神经网络模型对第一训练集进行预测， 获得第一训练集的 趋势分量和余项的预测结果， 进一 步处理成第二训练集； 步骤三、 基于ANN建立第二神经网络， 通过第二训练集进行训练和调参， 得到训练好的 第二神经网络； 步骤四、 将训练好的第一神经网络和第二神经网络模型对第一测试集进行联合预测， 获得拟合的时间序列数据预测结果。 2.根据权利要求1所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤一包括： 对原始时间序列数据进行一阶差分和二阶差分， 分解原始时间序列数据得到周期分 量、 趋势分量和余项； 通过滑动窗口的方法确定第一神经网络的输入输出， 设窗口大小为n， 窗口每次滑动1， 输入为： 窗口前n ‑1个六种数据， 输出为： 窗口第n个趋势分量和窗口第n个余项； 其中， 六种数据包括： 原始序列、 一阶差分序列、 二阶差分序列、 周期分量序列、 趋势分 量序列和余项序列； 将第一神经网络的输入和输出数据样本按照 0.95:0.05进行划分， 并分别进行归一化， 得到第一训练集和第一测试集。 3.根据权利要求2所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤二包括： 使用第一训练集对第 一神经网络模型进行训练和调参， 得到训练好的第 一神经网络模 型； 通过训练好的第一神经网络预测第一训练集和第一测试集的趋势分量以及余项。 4.根据权利要求3所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤三包括： 将第一神经网络预测得到的趋势分量、 余项以及相应的周期分量作为第 二神经网络的 输入， 相应的原 始时序数据作为第二神经网络的输出， 基于AN N构建第二神经网络； 通过第二训练集对第二神经网络进行训练和调参， 得到训练好的第二神经网络 。 5.根据权利要求4所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤四包括： 使用第一神经网络处理第一测试集， 将预测得到的趋势分量、 余项以及相应的周期分 量作为第二神经网络的输入， 相应的原始 时序数据作为第二神经网络的输出， 得到第二测 试集。 通过训练好的第二神经网络对第二测试集进行预测， 将预测结果反归一化， 得到最终 拟合的时间序列数据预测结果。 6.根据权利要求5所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤一中， 通过分解法的加法模型分解原 始时序数据， 所述加法模型为：权　利　要　求　书 1/2 页 2 CN 114239990 A 2f(t)＝S(t)+T(t)+R(t)； 式中， S(t)为周期分量， T(t)为趋势分量， R(t)为 余项。 7.根据权利要求6所述的基于时间序列分解和LSTM的时间序列数据预测方法， 其特征 在于， 所述 步骤一中， 分解时间序列时选择周期为6 0， 分解时间趋势时使用移动平均值。权　利　要　求　书 2/2 页 3 CN 114239990 A 3