[发明专利]并行化时序数据的预测方法

摘要

本发明的并行化时序数据的预测方法，包括对输入的数据进行训练和预测；训练包括A.输入历史数据集D；B.数据预处理；C.划分历史数据集D；D.创建对应数量的预测模型，对历史子数据集完成训练并得到训练模型；E.通过历史数据集D得到每个预测模型的误差值，如果误差最小值达到系统要求进入步骤F；F.将得到的网络参数复制到所有的训练模型中输出；预测包括G.输入预测数据集Y；H.数据预处理；I.划分多个预测子数据集；J.预测步骤F输出的训练模型，预测结果返回主控制节点；K.主控制节点输出总的预测结果。本发明有效提高了回归预测问题中的准确度，同时也明显减少了预测模型的训练时间，提高了训练和预测的效率。

主权项

并行化时序数据的预测方法，其特征包括：对输入的数据进行训练，并对训练后的数据进行预测；其中训练步骤包括：A.输入历史数据集D，根据历史数据的并行化的场景从相应的存储设备中读取待训练的数据；B.数据预处理，根据读取到的训练数据差别是否有缺失，若有则使用均值替换法进行缺失值的填充，并对各字段进行相应的归一化操作；C.将历史数据集D按指定的大小划分为多个历史子数据集；D.根据历史数据集D的划分个数，创建对应数量的基于神经网络的预测模型，通过所述的预测模型对对应的历史子数据集完成神经网络的训练，得到相应数量的训练模型；E.将历史数据集D分别输入到每个所述的预测模型中得到预测值，根据预测值计算出每个预测模型的误差，挑选出误差最小值对应的预测模型的网络参数，如果该误差最小值未达到系统要求，则将挑选出来的网络参数作为最优参数分发到其他预测模型中作为网络参数并返回步骤D重新训练；反之，进入步骤F；F.将所述的网络参数复制到所有的训练模型中，并保存和输出各训练模型；对训练后的数据进行预测的步骤包括：G.输入预测数据集Y，根据历史数据的并行化的场景从相应的存储设备中读取待训练的数据；H.数据预处理，根据读取到的预测数据差别是否有缺失，若有则使用均值替换法进行缺失值的填充，并对各字段进行相应的归一化操作；I.将预测数据集Y按指定的大小划分为多个预测子数据集；J.通过神经网络的主控制节点将步骤F输出的训练模型分发给各子结点进行预测，并将预测结果返回到主控制节点；K.主控制节点根据各子节点返回的预测结果进行整合，然后将总的预测结果进行输出。