一种基于门控机制的时间序列预测事后修正方法及系统

摘要: 本发明涉及时间序列预测,更具体的说是涉及一种基于门控机制的时间序列预测事后修正方法及系统。背景技术:1、时间序列预测在电力负荷预测、气象预报、交通流量预测、工业...
一种基于门控机制的时间序列预测事后修正方法及系统

本发明涉及时间序列预测,更具体的说是涉及一种基于门控机制的时间序列预测事后修正方法及系统。

背景技术:

1、时间序列预测在电力负荷预测、气象预报、交通流量预测、工业设备状态监测、金融市场分析等领域具有广泛的应用。目前,长期时间序列预测已发展出多种预测模型,包括线性模型、基于transformer架构的模型(如patchtst、itransformer)以及多尺度混合模型(如timemixer)等。

2、近年来,为了进一步提升预测精度,出现了基于检索(retrieval)或记忆(memory)机制的时间序列预测方法。这类方法的核心思想是:当需要对当前输入窗口进行预测时,从训练数据的历史片段中检索与当前输入最相似的k个历史片段(即top-k检索),然后利用这些历史片段所对应的未来序列的聚合结果来辅助或修正基准模型的预测结果。代表性技术包括raft、ts-rag以及最近邻预测方法等。其中,raft通过检索模块从训练数据中获取与当前输入最相关的历史片段,并将这些片段的后续走势作为额外信息用于预测;ts-rag则利用预训练的时间序列编码器从知识库中检索语义相关的时间序列片段,并通过可学习的自适应检索混合器模块动态融合检索到的模式与基础模型的内部表示。

3、然而,上述现有技术至少存在以下缺陷:

4、其一,现有方法默认假设检索到的信息必然有益。无论是raft还是ts-rag,其设计前提均为检索到的历史相似片段越多、融合强度越大,预测效果就越好。然而,在实际应用中,检索到的历史片段可能来自与当前样本并不匹配的场景,此时强制融合反而会降低预测准确率,即产生负迁移效应。

5、其二,现有方法缺乏对修正风险的预判机制。在决定是否执行修正以及以何种强度执行修正之前,没有任何可量化的指标用于评估本次修正的风险大小,导致修正过程缺乏风险控制手段。

6、其三,现有方法对所有预测样本采用统一的修正策略,不区分不同样本的检索质量差异,导致部分检索质量较低的样本被错误修正,预测精度反而下降。同时,现有方法仅关注整体平均误差的改善,忽视了个体预测样本的误差恶化风险。对于实际应用系统而言,个体样本的极端误差可能造成严重后果。

7、因此,亟需一种能够在执行修正之前评估修正风险、并根据风险大小有选择地执行修正的技术方案,以克服上述现有技术中的至少部分缺陷。

技术实现思路

1、鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于门控机制的时间序列预测事后修正方法及系统。

2、为了实现上述目的,本发明采用如下技术方案:

3、获取当前输入窗口数据;将输入至预训练的基准预测模型,得到基准预测结果;

4、获取用于对进行修正的检索未来估计;

5、在执行对的修正之前,计算修正前风险评估指标,所述风险评估指标用于评估基于对进行修正的风险大小;

6、根据所述风险评估指标,按照预设的门控规则进行门控决策:

7、若所述风险评估指标满足预设的修正条件,则对和进行融合修正,得到修正后的预测结果,并输出;

8、若所述风险评估指标不满足预设的修正条件,则拒绝执行融合修正,并输出。

9、优选地,所述风险评估指标包括支持度得分、不稳定度得分和分歧度得分中的至少一项;

10、所述支持度得分用于表征所述当前输入窗口与被检索到的历史片段之间的整体相似程度;

11、所述不稳定度得分用于表征被检索到的各历史片段各自对应的未来序列之间的一致性程度;

12、所述分歧度得分用于表征所述基准预测结果与所述检索未来估计之间的差异程度。

13、优选地,所述支持度得分采用如下公式计算:

14、

15、其中,为所述当前输入窗口,为第个被检索到的历史片段,为检索深度,

sim(·,·)为相似度函数。

16、优选地,所述不稳定度得分采用如下公式计算:

17、

18、其中,为预测步长,、、表示第1、2、个被检索到的历史片段所对应的未来序列在第个时间点上的取值,

k为预设的正整数,为方差函数。

19、优选地,所述分歧度得分采用如下公式计算:

20、

21、其中,为预测步长。

22、优选地,所述门控规则为:

23、当所述支持度得分大于或等于预设的支持度阈值、所述不稳定度得分小于或等于预设的不稳定度阈值、且所述分歧度得分小于或等于预设的分歧度阈值时,判定满足修正条件;否则判定不满足修正条件。

24、优选地,所述融合修正为加权融合,其公式为:

25、

26、其中,为修正强度参数,0<≤1;

27、所述修正强度根据所述支持度得分、不稳定度得分和分歧度得分的数值动态确定:

28、当所述支持度得分、不稳定度得分和分歧度得分满足第一预设条件时,采用第一修正强度值;

29、当所述支持度得分、不稳定度得分和分歧度得分满足第二预设条件时,采用第二修正强度值,所述第二修正强度值小于所述第一修正强度值;

30、当所述支持度得分、不稳定度得分和分歧度得分满足第三预设条件时,采用第三修正强度值,所述第三修正强度值小于所述第二修正强度值。

31、优选地,所述预设的支持度阈值、不稳定度阈值和分歧度阈值采用如下方式确定:

32、获取训练集,将所述训练集划分为训练部分和验证集;

33、在所述验证集上遍历候选阈值组合,分别计算各组阈值下的验证集预测误差;

34、选择使所述验证集预测误差最小的阈值组合。

35、优选地,所述检索未来估计通过如下方式获取:

36、从检索记忆库中检索与当前输入窗口数据相似度最高的个历史片段,所述检索记忆库存储有多个历史输入窗口及其对应的未来序列;

37、获取各被检索到的历史片段对应的未来序列;

38、将个所述未来序列进行聚合,得到所述检索未来估计。

39、基于相同的发明构思,本发明还公开了一种基于门控机制的时间序列预测事后修正系统,用于执行上述任意一种方法,包括:

40、基准预测模块,用于接收当前输入窗口数据,通过基准预测模型输出基准预测结果;

41、检索模块,用于获取用于对进行修正的检索未来估计;

42、风险评估指标计算模块,用于在执行对的修正之前,计算修正前风险评估指标,所述风险评估指标用于评估基于对进行修正的风险大小;

43、门控决策模块,用于将所述风险评估指标与预设的门控阈值进行比较,根据比较结果判断是否满足修正条件,并输出门控决策信号;

44、融合修正模块,用于在所述门控决策信号指示满足修正条件时,对和进行融合修正,得到修正后的预测结果,并输出;

45、输出模块,用于根据所述门控决策信号选择输出或

46、本发明实施例提供的上述技术方案的有益效果至少包括:

47、(1)本发明通过引入修正前诊断信号,实现了修正风险的预先量化评估。支持度得分、不稳定度得分和分歧度得分三项诊断指标均在修正执行前计算,可在不依赖未来真实值的情况下实时评估本次修正的风险大小,克服了现有技术中修正效果无法预判的缺陷。

48、(2)本发明通过门控决策机制,实现了样本层面的差异化修正。根据诊断信号判断是否满足修正条件,满足条件则执行修正,不满足条件则拒绝修正并直接输出基准预测结果,避免了低质量检索结果对预测精度的负面影响。

49、(3)实验数据表明,本发明在高强度修正条件下仍能保持稳定的预测性能。以α=0.40为例,始终修正方案的危害暴露为0.464407,而本发明门控方案仅为0.092555,降幅约80%,显著优于始终修正方案;在相同触发率约束下,本发明门控方案的危害暴露亦低于同触发率随机策略(0.116077),说明本发明的门控效果来自于诊断信号对样本的有效甄别,而非单纯的修正次数减少。

50、(4)本发明可在不重新训练基准预测模型的前提下直接部署应用,即插即用,实施成本低。实验验证表明,本发明在电力负荷预测(etth1、etth2、ettm1、ettm2)、汇率预测(exchange)、气象预测(weather)等不同领域、不同采样频率的六个公开数据集上均取得了一致的修正控制效果,具有良好的通用性和工业应用价值。