在基于迭代法的策略中，首先計算一步超前預(yù)測，然后基于一步超前預(yù)測值來預(yù)測其他數(shù)據(jù)。另一方面，在基于直接法的策略中，可以根據(jù)相同的預(yù)測模型估算一步超前或多步超前值。通常，累積誤差是影響迭代法中預(yù)測精度的重要因素，而計算成本則是直接法中需要考慮的重要因素。
除此之外還提出了一些其他算法，例如多輸入多輸出(MIMO)方法和DirRec策略，以及多輸入多輸出(MISMO)預(yù)測模型等。在MIMO和MISMO算法中，主要思想是獲得更高的預(yù)測精度。同時，這些方法都具有較高的計算成本。在MISMO算法中，初始預(yù)測任務(wù)通常被轉(zhuǎn)換為子任務(wù)，進(jìn)而使用最優(yōu)解計算輸出，其中算法復(fù)雜度是一個關(guān)鍵問題。
與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本方法通過采用基于圖像模型的長短時記憶時間序列模型，該模型將長短時記憶神經(jīng)網(wǎng)絡(luò)預(yù)測和貝葉斯圖形推理結(jié)合起來，大大減少了算法的復(fù)雜度，并采用最優(yōu)估計原理和遞歸的算法獲得更高的預(yù)測精度。同時通過采用基于概率論和貝葉斯規(guī)則提出遞歸運(yùn)算結(jié)構(gòu)，以獲得更好的預(yù)測性能，該結(jié)構(gòu)比現(xiàn)有模型更好的性能。
步驟3，將訓(xùn)練數(shù)據(jù)重建，得到重建的訓(xùn)練數(shù)據(jù)；其中基于長短時記憶網(wǎng)絡(luò)的時間序列預(yù)測模型，構(gòu)建一個多輸入單輸出的非線，使用重建的訓(xùn)練數(shù)據(jù)，計算GUR參數(shù)，并且GUR參數(shù)服從高斯分布，然后估計概率密度；首先基于梯度下降算法計算GUR參數(shù)，然后基于最大似然法估計概率密度密度。
}和測試數(shù)據(jù){at+1,…,aT}。步驟2，基于Takens定理計算相空間重構(gòu)參數(shù)：D,τ。重構(gòu)過程具體為：對于一個非線性系統(tǒng)S，通過觀測得到一組測量值x(n)，n＝1,2,…N。利用此測量值可以構(gòu)造一組m維向量X(n)＝(x(n),x(n-τ),……,x(n-(D-1)τ)) (1)
是相關(guān)維數(shù)。該過程描述即為訓(xùn)練數(shù)據(jù)重建過程，即將第n到n-(D-1)τ時刻數(shù)據(jù)作為系統(tǒng)輸入數(shù)據(jù)，將n+h步數(shù)據(jù)作為系統(tǒng)輸出數(shù)據(jù)，從而建立輸入與輸出數(shù)據(jù)的數(shù)據(jù)對。這些數(shù)據(jù)對將用于系統(tǒng)的訓(xùn)練。步驟4，使用重建的訓(xùn)練數(shù)據(jù)[x
]i＝1:t，計算GUR參數(shù)Wz，Wr，W，并且該參數(shù)服從高斯分布，然后估計概率密度；具體的基于梯度下降算法計算GUR參數(shù)Wz，Wr，W；通過先驗(yàn)知識和大數(shù)據(jù)統(tǒng)計，然后通過最大化學(xué)習(xí)ML算法或極大似然法進(jìn)行參數(shù)估計得到概率密度P(x,h)；刪去原來的P(ht,zt)等。如圖2所示，為GUR模型示意圖，即GUR這種自回歸神經(jīng)網(wǎng)絡(luò)神經(jīng)元結(jié)構(gòu)，其中W代表核心單元Cell內(nèi)存中權(quán)值矩陣，W(r)為輸入單元的網(wǎng)絡(luò)權(quán)值矩陣，W(z)為輸出單元網(wǎng)路權(quán)值矩陣。具體神經(jīng)網(wǎng)絡(luò)權(quán)值計算可以通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法進(jìn)行計算，可依據(jù)訓(xùn)練數(shù)據(jù)對采用誤差反傳算法。步驟5，對于測試數(shù)據(jù){a
}。根據(jù)該公式，輸入xt及ht-1，通過圖2中數(shù)據(jù)流及公式計算，即獲得ht。步驟6，基于先驗(yàn)信息設(shè)置先驗(yàn)分布；具體的首先將GUR參數(shù)空間分成多個小區(qū)間；然后確定每個小區(qū)間的決定主觀概率，決定主觀概率需滿足非負(fù)性公理，即對任意事件A，0≤P(A)≤1，正則性公理，即必然事件的概率為1，可列可加性公理，對可列個互不相容的事件A1，A2，A3……，得到或依據(jù)歷史數(shù)據(jù)確定主觀頻率；然后依據(jù)主觀頻率得到頻率直方圖，在依據(jù)該直方圖得到的平滑曲線，即為先驗(yàn)分布P(h
