一种基于GAF特征融合的用水量序列预测模型的方法与流程

一种基于gaf特征融合的用水量序列预测模型的方法
技术领域
1.本发明属于信息处理技术领域，具体涉及一种基于gaf特征融合的用水量序列预测模型的方法。


背景技术：

2.传统的数据预测主要将统计学作为理论基础，对数据序列进行分析，其中有些方法较依赖数据特性，使用范围比较窄。回归分析法和滑动平均法在水量预测领域使用较为广泛。张雅君等利用多元线性回归分析进行了水量预测，预测了北京市2010年城市生活需水量，通过对其多种影响因素回归分析，建立了该预测模型。
3.yasar等选用了与城市需水量相关的10个因素，做多元非线性回归，经过多步预测，建立出适用于该城市的需水量预测模型。滑动平均法则是从box和jenkins于1976年提出自回归差分滑动平均模型(autoregressive integrated moving average,arima)后，在用水量预测领域得到了广泛运用。练庭宏等基于arima季节时间序列对城市需水状况建模，通过分析辨识模型阶次结构，对上海市中心城区需水量进行预报。mombeni等提出季节性sarima模型来预测城市月用水量，并较为准确的预测了一年的用水量，但是arima模型的预测精度需要建立在数据长度完善的基础上。
4.对比于传统预测方式，新技术一般有数据预处理、选取并建立模型、经多次训练和验证得到预测模型等几个步骤。比如人工神经网络(ann)，灰色预测模型及一些机器预测模型如支撑向量机(svm)。近几年来，由于数据和计算能力的不断提升，深度学习也逐渐开始兴起，这也是目前研究的热点。深度学习可以学习一种深层的非线性网络结构，来实现复杂函数逼近，得到有效特征，可以用于分类、回归、预测和信息检索等各个领域。随着研究深入，基于深度学习的用水量预测也开始出现。


技术实现要素：

5.发明目的：在于克服上述背景技术的不足，提供一种基于gaf特征融合的用水量序列预测模型的方法。
6.技术方案：为实现本发明的目的，本发明所采用的技术方案是：
7.一种基于gaf特征融合的用水量序列预测模型的方法，包括下列步骤：
8.步骤s1：打开含有n个数据记录的大数据文件集文件，从中读取相应的数据记录；
9.步骤s2：将训练集a输入到lstm，输出结果；
10.步骤s3：将训练集a经过gaf生成的图输入到cnn中，输出结果；
11.步骤s4：将两者的输出结果进行concat特征融合；
12.步骤s5：最后经过多层mlp层输出，获得预测结果；
13.步骤s6：重复上述步骤进行多次训练，获得较为精确的预测模型；对测试集b进行预测。
14.进一步地，所述的步骤s1具体为：将n条数据划分为训练集a和测试集b，输入gaf所
需要的生成的图的大小size，如果size是小数，则范围为0<size<＝1.0，如果是整数，则范围为1<size<＝a，输入gaf所计算的方式method，取值为summation或者difference。
15.进一步地，所述的步骤s3具体为：
16.步骤s3
‑
1：对gaf的输入训练集a先进行数据校验，满足输入标准；
17.步骤s3
‑
2：对校验后的数据通过滑动窗口进行划分，对滑动窗口中的值求平均值，平移滑动窗口，步长为1，划分成相同大小的子序列；
18.步骤s3
‑
3：对划分好的子序列进行归一化处理，获得新的子序列；
19.步骤s3
‑
4：根据gaf的参数summation或者difference，来选择gaf对图的处理方式。
20.进一步地，所述步骤s3
‑
2具体为：
21.步骤s3
‑2‑
1：判断所需要划分的窗口长度是否大于序列数组长度，如果大于，则报错；否则转步骤s3
‑2‑
2；
22.步骤s3
‑2‑
2：判断序列数组是否是一维，如果是，根据滑动窗口求取新的序列，新的序列中的每一个元素都是滑动窗口中的平均值；否则转步骤s3
‑2‑
3；
23.步骤s3
‑2‑
3：对于序列数组中的每一维的时间序列进行步骤s3
‑2‑
2的操作，获得新的序列。
24.进一步地，所述步骤s3
‑
4具体为：以子序列的个数n为条件控制循环的循环变量，初始值为1，循环条件是循环变量值小于或等于n，从第一个子序列为1开始，重复下述步骤：
25.步骤s3
‑4‑
1：创建一个m*m大小的空二维矩阵g，m为子序列的长度；
26.步骤s3
‑4‑
2：对子序列中的每一个元素根据summation或difference进行余弦和或者余弦差计算，填入到矩阵g中对应位置，元素在矩阵中的位置根据元素在子序列中的位置决定。
27.进一步地，所述的步骤s3
‑
4中，summation代表对序列中的每一个元素k和其他元素(包括元素k本身)进行余弦和操作，difference代表对序列中的每一个元素k和其他元素(包括元素k本身)进行余弦差操作。
28.有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
29.(1)能够捕获时间序列的有效特征；
30.(2)通过不同的方式提取时间序列的不同特征并融合，丰富了时间序列的特征，能够更好地进行预测；
31.(3)所提供的方法简单易行；
32.(4)所提供的方法在深度学习等领域具有广阔的应用前景。
附图说明
33.图1是基于gaf特征融合的用水量预测模型方法的步骤流程图；
34.图2是基于gaf特征融合的用水量预测模型方法处理过程的示意图；
35.图3是基于gaf特征融合的用水量预测模型方法的预测结果展示，其中原始序列(图中实线线条)代表原始数据，预测序列(图中虚线线条)代表预测值。
具体实施方式
36.下面结合附图和实施例对本发明的技术方案作进一步的说明。
37.如图1
‑
2所示，一种基于gaf特征融合的用水量序列预测模型的方法，包括下列步骤s1至s6：
38.步骤s1：打开含有n个数据记录的大数据文件集文件，以便从中读取相应的数据记录，将n条数据划分为训练集a和测试集b，输入gaf所需要的生成的图的大小size，如果size是小数，则范围为0<size<＝1.0，如果是整数，则范围为1<size<＝a，输入gaf所计算的方式method，取值为summation或者difference；
39.步骤s2：将训练集a输入到lstm，输出结果；
40.步骤s3：将训练集a经过gaf生成的图输入到cnn中，输出结果；
41.步骤s4：将两者的输出结果进行concat特征融合；
42.步骤s5：最后经过多层线性层输出，获得预测结果；
43.步骤s6：重复上述步骤进行多次训练，获得较为精确的预测模型；对测试集b进行预测。
44.步骤s3进一步包括：
45.步骤s3
‑
1：对gaf的输入训练集a先进行数据校验，满足输入标准；
46.步骤s3
‑
2：对校验后的数据通过滑动窗口进行划分，对滑动窗口中的值求平均值，平移滑动窗口，步长为1，划分成相同大小的子序列；
47.步骤s3
‑
3：对划分好的子序列进行归一化处理，获得新的子序列；
48.步骤s3
‑
4：根据gaf的参数summation或者difference，来选择gaf对图的处理方式，summation代表对序列中的每一个元素k和其他元素(包括元素k本身)进行余弦和操作，difference代表对序列中的每一个元素k和其他元素(包括元素k本身)进行余弦差操作。
49.步骤s3
‑
2进一步包括：
50.步骤s3
‑2‑
1：判断所需要划分的窗口长度是否大于序列数组长度，如果大于，则报错；否则转步骤s3
‑2‑
2；
51.步骤s3
‑2‑
2：判断序列数组是否是一维，如果是，根据滑动窗口求取新的序列，新的序列中的每一个元素都是滑动窗口中的平均值；否则转步骤s3
‑2‑
3；
52.步骤s3
‑2‑
3：对于序列数组中的每一维的时间序列进行步骤s3
‑2‑
2的操作，获得新的序列。
53.步骤s3
‑
4进一步包括：
54.以子序列的个数n为条件控制循环的循环变量，初始值为1，循环条件是循环变量值小于或等于n，从第一个子序列为1开始，重复下述步骤：
55.步骤s3
‑4‑
1：创建一个m*m大小的空二维矩阵g，m为子序列的长度。
56.步骤s3
‑4‑
2：对子序列中的每一个元素根据summation或difference进行余弦和或者余弦差计算，填入到矩阵g中对应位置，元素在矩阵中的位置根据元素在子序列中的位置决定。
57.如图3所示，gaf特征融合的用水量预测模型方法的预测结果展示，采用的数据是淮南某地区的用水量的时间序列，其中原始序列(图中实线线条)代表原始数据，预测序列(图中虚线线条)代表预测值。