一种基于深度学习模型的时间序列预测方法

本发明公开了一种基于深度学习模型的时间序列预测方法，主要步骤包括：首先对序列数据进行预处理，识别并处理时间序列数据中的缺失值和异常值，确保数据质量，同时进行时间戳提取；然后利用变分模态分解(VMD)模型将原始时间序列分解为多个具有不同频率的子序列，有效区分趋势和周期，并通过归一化处理各子序列；接着引入大预言模型(LLM)，从新闻数据中筛选可能影响时间序列波动的事件，将相关洞察力融入时间序列分析，使得模型能够动态适应外部事件；最后，构建一个基于自注意力机制的长短期记忆网络(LSTM)，并将LSTM网络的输出经过全连接层，映射至目标输出空间并生成最终的预测结果。本发明结合了统计学方法和深度学习模型的优势，旨在提高复杂时间序列预测的精度，特别是在动态环境和突发事件的影响下，能够更准确地捕捉时间序列的波动变化。