公开(公告)号：CN114565149B

公开(公告)日：2024-12-20

申请号：CN202210169309.8

申请日：2022-02-23

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  邓磊 ,  秦振宇

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明时间序列预测技术领域，具体涉及一种基于CGA融合模型的时间序列数据预测方法、装置及计算机设备；该方法包括：获取历史目标数据，对历史目标数据进行预处理，得到预处理后的历史目标数据；将预处理后的历史目标数据输入到构建好的CGA融合模型中，得到目标数据的时序预测结果，根据时序预测结果对未来的交通流量进行控制；本发明结合堆叠式和并行式融合了多通道多尺度卷积神经网络和门控循环单元网络，并且以残差的方式结合多通道多尺度卷积神经网络、门控循环单元网络和自回归模型，降低了模型的训练难度，并且避免了卷积结构和GRU结构导致的原始信息丢失，从而进一步提高预测精度。

公开(公告)号：CN114565149A

公开(公告)日：2022-05-31

申请号：CN202210169309.8

申请日：2022-02-23

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  邓磊 ,  秦振宇

IPC: G06Q10/04 ,  G06Q50/26 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明时间序列预测技术领域，具体涉及一种基于CGA融合模型的时间序列数据预测方法、装置及计算机设备；该方法包括：获取历史目标数据，对历史目标数据进行预处理，得到预处理后的历史目标数据；将预处理后的历史目标数据输入到构建好的CGA融合模型中，得到目标数据的时序预测结果，根据时序预测结果对未来的交通流量进行控制；本发明结合堆叠式和并行式融合了多通道多尺度卷积神经网络和门控循环单元网络，并且以残差的方式结合多通道多尺度卷积神经网络、门控循环单元网络和自回归模型，降低了模型的训练难度，并且避免了卷积结构和GRU结构导致的原始信息丢失，从而进一步提高预测精度。

公开(公告)号：CN114548592A

公开(公告)日：2022-05-27

申请号：CN202210199667.3

申请日：2022-03-01

Applicant: 重庆邮电大学

Inventor： 雷建军 ,  秦振宇 ,  程旭

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06V10/762

Abstract: 本发明属于时间序列预测领域，尤其涉及一种基于CEMD和LSTM的非平稳时间序列数据预测方法，包括通过历史数据构建训练集，通过实时数据构建测试集；使用经验模态分解将测试集和训练集中的目标序列分解为n个本征模态函数和1个残差序列；通过聚类算法对n个本征模态函数聚类为m组，形成m个子序列；利用训练集中子序列的特征向量对深度LSTM神经网络进行训练，获取完成训练的深度LSTM神经网络；将测试集中子序列输入完成训练的深度LSTM神经网络进行预测，得到非平稳时间序列预测结果；本发明结合了EMD和聚类算法对非平稳时间序列进行重构，使得预测模型的误差更小、训练时间更短。