基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法
【專利摘要】本發(fā)明提供一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，包括：計(jì)算待預(yù)測的原始時(shí)間序列，分離該序列的波動(dòng)分量和趨勢(shì)分量；對(duì)于所述趨勢(shì)分量，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型；根據(jù)和角公式將所述波動(dòng)分量轉(zhuǎn)化為周期變量，將所述周期變量加入所述最佳趨勢(shì)模型；以可決系數(shù)最大化原則自動(dòng)選取最大影響作用的z個(gè)周期長度，將z個(gè)周期長度代入包含周期變量的最佳趨勢(shì)模型，得到最終完整模型；通過最終完整模型對(duì)所述原始時(shí)間序列進(jìn)行運(yùn)算，確定具體模型參數(shù)，從而預(yù)測所述原始時(shí)間序列的變化趨勢(shì)。本發(fā)明通過預(yù)測處理的自動(dòng)化，以及預(yù)測模型的趨勢(shì)分量和波動(dòng)分量的組合化，從而具有預(yù)測智能度和精度高的優(yōu)點(diǎn)。
【專利說明】基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)據(jù)分析【技術(shù)領(lǐng)域】，具體涉及一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法。

【背景技術(shù)】
[0002]對(duì)事物的定量預(yù)測方法主要包括時(shí)間序列預(yù)測法和回歸分析法。
[0003]時(shí)間序列是指按時(shí)間順序排列的隨時(shí)間變化的數(shù)值集合，普遍存在于實(shí)際生活中，例如:股票的每日價(jià)格、按季節(jié)排序的每季降雨量等。這種數(shù)據(jù)可以被抽象為一個(gè)二元組合(1，1)，其中4為時(shí)間變量，1為數(shù)據(jù)變量。時(shí)間序列預(yù)測在許多實(shí)際應(yīng)用領(lǐng)域具有重要應(yīng)用價(jià)值，目前，對(duì)于平穩(wěn)時(shí)間序列已取得了較好的預(yù)測結(jié)果。但是，由于實(shí)際生產(chǎn)或生活中的時(shí)間序列非常復(fù)雜，表現(xiàn)出非線性、非平穩(wěn)的特征，因此，對(duì)于時(shí)間序列研究較多的是其趨勢(shì)變化分析，常見的分析方法主要有平均移動(dòng)法和指數(shù)平滑法，即:平滑數(shù)據(jù)消除波動(dòng)，以取得預(yù)測對(duì)象的發(fā)展趨勢(shì)。而對(duì)于包含趨勢(shì)分量和波動(dòng)分量兩種成分的時(shí)間序列預(yù)測，普通的時(shí)間序列預(yù)測方法對(duì)波動(dòng)分量部分則完全不具有預(yù)測的可能。
[0004]回歸分析法，是在掌握大量觀察數(shù)據(jù)的基礎(chǔ)上，利用數(shù)理統(tǒng)計(jì)方法建立因變量與自變量之間包含線性回歸、多元線性回歸和非線性回歸等模型(比如拋物線模型、指數(shù)型模型、雙曲線模型等)，可在很大程度上貼近趨勢(shì)分量，卻仍然難以反映疊加于趨勢(shì)分量上的波動(dòng)成分，特別是有多種波動(dòng)簇存在的情況下更是如此。目前，現(xiàn)有技術(shù)中出現(xiàn)了對(duì)回歸方法的改進(jìn)方法，即:通過縮小空間，劃分為若干小空間以求模型貼近趨勢(shì)的方法，但仍然未解決波動(dòng)分量的問題。


【發(fā)明內(nèi)容】

[0005]針對(duì)現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提供一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，同時(shí)考慮趨勢(shì)分量和波動(dòng)分量，具有預(yù)測智能度和精度高的優(yōu)點(diǎn)。
[0006]本發(fā)明采用的技術(shù)方案如下:
[0007]本發(fā)明提供一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，包括以下步驟:
[0008]SI，建立趨勢(shì)模型庫；所述趨勢(shì)模型庫中存儲(chǔ)三類趨勢(shì)模型，即:線性趨勢(shì)模型、非線性趨勢(shì)模型和自適應(yīng)趨勢(shì)模型；每一類趨勢(shì)模型包括若干個(gè)具體的趨勢(shì)模型；
[0009]S2，讀取待預(yù)測的原始時(shí)間序列，對(duì)所述原始時(shí)間序列進(jìn)行計(jì)算，分離所述原始時(shí)間序列的波動(dòng)分量和趨勢(shì)分量；
[0010]S3，對(duì)于所述趨勢(shì)分量，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型；其中，所述原始時(shí)間序列由N組原始觀測數(shù)據(jù)組成；所述R2最大的趨勢(shì)模型稱為最佳趨勢(shì)模型，表達(dá)式為Yt = f (X);其中，R2為可決系數(shù)，反映模型擬合程度；Yt為模型的因變量，X為模型的自變量為原始觀測數(shù)據(jù)的組編號(hào)；
[0011]S4，根據(jù)和角公式將所述波動(dòng)分量轉(zhuǎn)化為周期變量W(Ti),將所述周期變量加入所述最佳趨勢(shì)模型，得到式一所示的第一模型；
[0012]Yt = f (X)(T1) 式一；
[0013]S5，設(shè)所述原始時(shí)間序列的周期長度T分別取值1、2...Ν ;則將T的N個(gè)取值分別代入第一模型，得到Y(jié)p;分別計(jì)算Yp ν..ΥΝ的可決系數(shù)，得到N個(gè)可決系數(shù)；以可決系數(shù)最大化原則自動(dòng)選取最大影響作用的ζ個(gè)周期長度；設(shè)ζ個(gè)周期長度分別表示為!\、V..Tz;
[0014]S6，將ζ個(gè)周期長度代入式一，得到式二:
[0015]Yt = MxHW(T1HW(T2)-WCrz);式二
[0016]S7，以式二所示模型為最終完整模型，通過最終完整模型對(duì)所述原始時(shí)間序列進(jìn)行運(yùn)算，確定具體模型參數(shù)，從而預(yù)測所述原始時(shí)間序列的變化趨勢(shì)。
[0017]優(yōu)選的，S3中，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型具體為:
[0018]通過回歸計(jì)算分別計(jì)算所述趨勢(shì)模型庫中每一個(gè)趨勢(shì)模型的R2，然后比較獲得R2最大的趨勢(shì)模型。
[0019]本發(fā)明的有益效果如下:
[0020]本發(fā)明提供一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，同時(shí)考慮趨勢(shì)分量和波動(dòng)分量，具有預(yù)測智能度和精度高的優(yōu)點(diǎn)。

【專利附圖】

【附圖說明】
[0021]圖1為本發(fā)明提供的基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法流程示意圖；
[0022]圖2為通過常規(guī)一元線性回歸方法進(jìn)行產(chǎn)量預(yù)測的擬合圖；
[0023]圖3為通過常規(guī)一元線性回歸方法進(jìn)行產(chǎn)量預(yù)測的殘差分布圖；
[0024]圖4為本發(fā)明提供的智能預(yù)測方法進(jìn)行產(chǎn)量預(yù)測的擬合圖；
[0025]圖5為本發(fā)明提供的智能預(yù)測方法進(jìn)行產(chǎn)量預(yù)測的殘差分布圖。

【具體實(shí)施方式】
[0026]實(shí)施例
[0027]如圖1所示，本發(fā)明提供一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，包括以下步驟:
[0028]SI，建立趨勢(shì)模型庫；所述趨勢(shì)模型庫中存儲(chǔ)三類趨勢(shì)模型，即:線性趨勢(shì)模型、非線性趨勢(shì)模型和自適應(yīng)趨勢(shì)模型；每一類趨勢(shì)模型包括若干個(gè)具體的趨勢(shì)模型；
[0029]S2，讀取待預(yù)測的原始時(shí)間序列，對(duì)所述原始時(shí)間序列進(jìn)行計(jì)算，分離所述原始時(shí)間序列的波動(dòng)分量和趨勢(shì)分量；
[0030]S3，對(duì)于所述趨勢(shì)分量，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型；其中，所述原始時(shí)間序列由N組原始觀測數(shù)據(jù)組成；所述R2最大的趨勢(shì)模型稱為最佳趨勢(shì)模型，表達(dá)式為Yt = f (X);其中，R2為可決系數(shù)，反映模型擬合程度；Yt為模型的因變量，X為模型的自變量為原始觀測數(shù)據(jù)的組編號(hào)；
[0031]具體的，通過回歸計(jì)算分別計(jì)算所述趨勢(shì)模型庫中每一個(gè)趨勢(shì)模型的R2，然后比較獲得R2最大的趨勢(shì)模型。
[0032]S4，根據(jù)和角公式將所述波動(dòng)分量轉(zhuǎn)化為周期變量W(Ti),將所述周期變量加入所述最佳趨勢(shì)模型，得到式一所示的第一模型；
[0033]Yt = MXhW(Ti) 式一；
[0034]S5，設(shè)所述原始時(shí)間序列的周期長度T分別取值1、2…N ;則將T的N個(gè)取值分別代入第一模型，得到Y(jié)p;分別計(jì)算Yp ν..ΥΝ的可決系數(shù)，得到N個(gè)可決系數(shù)；以可決系數(shù)最大化原則自動(dòng)選取最大影響作用的ζ個(gè)周期長度；設(shè)ζ個(gè)周期長度分別表示為!\、V..Tz;
[0035]S6，將ζ個(gè)周期長度代入式一，得到式二:
[0036]Yt = MXHW(T1HW(T2)-WCrz);式二
[0037]S7，以式二所示模型為最終完整模型，通過最終完整模型對(duì)所述原始時(shí)間序列進(jìn)行運(yùn)算，確定具體模型參數(shù)，從而預(yù)測所述原始時(shí)間序列的變化趨勢(shì)。
[0038]比較例
[0039]以我國棉花(皮棉)1915-2011年單產(chǎn)數(shù)據(jù)作為原始時(shí)間序列，數(shù)據(jù)來源于國家統(tǒng)計(jì)局，見表1所示。比較常規(guī)分析方法和本發(fā)明方法對(duì)棉花單產(chǎn)情況預(yù)測的精度。
[0040]表1 1915-2011年我國棉花單產(chǎn)表(千克/公頃)
[0041]

【權(quán)利要求】
1.一種基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，其特征在于，包括以下步驟: Si，建立趨勢(shì)模型庫；所述趨勢(shì)模型庫中存儲(chǔ)三類趨勢(shì)模型，即:線性趨勢(shì)模型、非線性趨勢(shì)模型和自適應(yīng)趨勢(shì)模型；每一類趨勢(shì)模型包括若干個(gè)具體的趨勢(shì)模型； S2，讀取待預(yù)測的原始時(shí)間序列，對(duì)所述原始時(shí)間序列進(jìn)行計(jì)算，分離所述原始時(shí)間序列的波動(dòng)分量和趨勢(shì)分量； S3，對(duì)于所述趨勢(shì)分量，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型；其中，所述原始時(shí)間序列由N組原始觀測數(shù)據(jù)組成；所述R2最大的趨勢(shì)模型稱為最佳趨勢(shì)模型，表達(dá)式為Yt = f (X);其中，R2為可決系數(shù)，反映模型擬合程度；Yt為模型的因變量，X為模型的自變量為原始觀測數(shù)據(jù)的組編號(hào)； S4，根據(jù)和角公式將所述波動(dòng)分量轉(zhuǎn)化為周期變量W (Ti)，將所述周期變量加入所述最佳趨勢(shì)模型，得到式一所示的第一模型； Yt = f (X)+W (Ti) 式一； S5，設(shè)所述原始時(shí)間序列的周期長度T分別取值1、2…N ;則將T的N個(gè)取值分別代入第一模型，得到1、;分別計(jì)算1、的可決系數(shù)，得到N個(gè)可決系數(shù)；以可決系數(shù)最大化原則自動(dòng)選取最大影響作用的z個(gè)周期長度；設(shè)z個(gè)周期長度分別表示為TpT2-Tz; S6，將z個(gè)周期長度代入式一，得到式二:
Yt = f (X) +W (T1) +W (T2)…W (Tz)； 式二 S7，以式二所示模型為最終完整模型，通過最終完整模型對(duì)所述原始時(shí)間序列進(jìn)行運(yùn)算，確定具體模型參數(shù)，從而預(yù)測所述原始時(shí)間序列的變化趨勢(shì)。
2.根據(jù)權(quán)利要求1所述的基于趨勢(shì)和周期波動(dòng)的時(shí)間序列的智能預(yù)測方法，其特征在于，S3中，通過回歸計(jì)算在所述趨勢(shì)模型庫中自動(dòng)選取R2最大的趨勢(shì)模型具體為: 通過回歸計(jì)算分別計(jì)算所述趨勢(shì)模型庫中每一個(gè)趨勢(shì)模型的R2，然后比較獲得R2最大的趨勢(shì)模型。
【文檔編號(hào)】G06Q10/04GK104182800SQ201310189264
【公開日】2014年12月3日 申請(qǐng)日期:2013年5月21日 優(yōu)先權(quán)日:2013年5月21日
【發(fā)明者】魏曉文, 雷亞平 申請(qǐng)人:中國農(nóng)業(yè)科學(xué)院棉花研究所