1.一种基于CGA融合模型的时间序列数据预测方法,其特征在于,包括:获取目标数据的历史数据,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;目标数据为交通流量数据;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;CGA融合模型包括第一层多通道多尺度卷积神经网络、门控循环单元网络、第二层多通道多尺度卷积神经网络以及自回归模型;
构建CGA融合模型的过程包括:
S1:将历史目标数据输入到第一层多通道多尺度卷积神经网络MCMSCNN中,得到初级特征;
S2:将初级特征输入到门控循环单元网络GRU中,得到时序特征;
S3:将初级特征输入到第二层多通道多尺度卷积神经网络MCMSCNN中,得到局部特征;
S4:将历史目标数据输入到自回归模型AR中,得到线性特征;
S5:将时序特征、局部特征和线性特征相加,得到构建好的CGA融合模型。
2.根据权利要求1所述的一种基于CGA融合模型的时间序列数据预测方法,其特征在于,对历史目标数据进行预处理的过程包括:对历史目标数据去除异常值并填充缺失值,得到完善的目标数据;
对完善的目标数据进行归一化处理,得到归一化数据;
设置滑动窗口长度T,采用滑动窗口对归一化数据进行采样,得到预处理好的历史目标数据。
3.根据权利要求1所述的一种基于CGA融合模型的时间序列数据预测方法,其特征在于,得到初级特征的过程包括:采用三种不同尺寸的卷积核对输入数据进行卷积、激活和dropout处理,得到三种不同长度的特征张量即初级特征。
4.根据权利要求1所述的一种基于CGA融合模型的时间序列数据预测方法,其特征在于,得到时序特征的过程包括:对初级特征进行处理,将处理后的初级特征输入到门控循环单元网络GRU中,得到时序特征;对初级特征进行处理包括:对三种不同长度的特征张量中长度较短的两个特征张量进行填充,得到长度相同的三种特征张量;
对长度相同的三种特征张量进行拼接,得到处理后的初级特征。
5.根据权利要求1所述的一种基于CGA融合模型的时间序列数据预测方法,其特征在于,得到局部特征的过程包括:采用三种不同尺寸的卷积核对输入数据进行卷积、激活、最大池化和dropout处理,得到三种不同长度的特征张量;
对三种不同长度的特征张量进行拼接和flatten操作并通过线性层输出,得到局部特征。
6.根据权利要求1所述的一种基于CGA融合模型的时间序列数据预测方法,其特征在于,得到目标数据的时序预测结果的过程包括:将第一个滑动窗口采样数据输入到CGA融合模型中,得到当前时刻的预测值;
将目标数据与当前时刻的预测值拼接,滑动窗口,截取下一个滑动窗口采样数据输入到CGA融合模型中,得到下一时刻的预测值;重复此过程,得到目标数据的时序预测结果。
7.一种基于CGA融合模型的时间序列数据预测装置,其特征在于,包括:数据预处理模块、初级特征提取模块、局部特征提取模块、时序特征提取模块、线性特征捕捉模块和时序预测模块;
所述数据预处理模块用于对历史目标数据进行预处理;
所述初级特征提取模块用于对预处理后的历史目标数据进行特征提取,输出初级特征;
所述局部特征提取模块用于根据初级特征进行局部特征提取,输出局部特征;
所述时序特征提取模块用于根据初级特征获取时序特征;
所述线性特征捕捉模块用于根据历史目标数据获取线性特征;
所述时序预测模块用于根据局部特征、时序特征和线性特征得到时序预测结果并输出时序预测结果。
8.一种计算机设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1‑6任一所述方法中的步骤。