CN101719231A - 动态微分模拟预测方法及应用该方法的数据处理掌上设备 - Google Patents

Abstract

动态微分模拟预测方法及应用该方法的数据处理掌上设备，涉及一种利用历史数据进行未来数据的预测的方法及其掌上设备，目的是解决现有预测方法通用性不强及现有数据处理掌上设备不具有预测功能的问题，对获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的关联公式；对按步骤b得到的关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到预测值；将上述预测值进行量纲化处理，得到实际的预测指标的结果。掌上设备具有与上述各功能对应的模块。

Description

动态微分模拟预测方法及应用该方法的数据处理掌上设备

技术领域

本发明涉及一种利用历史数据进行未来数据的预测的方法，以及应用该方法而具有智能预测功能的数据处理掌上设备。

背景技术

在实际生活与工作中，根据历史数据，以研究技术问题的规律性变化，预测其未来数据值的应用范围相当广泛：如预测水质等级，预测某产品市场需求、价格波动、销售量，预测某油田的产油量等，可见预测与社会各行各业都有着密切的联系，并且为管理人员把握未来形势并做出正确决策提供重要的依据，因而预测具有重大的实际意义。

但现在已有预测方法都具有一定的局限性，只能对一类或几类数据进行处理，不能对所有具有时间序列特征的数据进行处理，不具有通用性。

并且，目前常用的数据处理掌上设备如科学型计算器等在数据处理方面大都只有计算加减乘除及简单函数的功能(如CASIO FX-82ES)，功能完善一些的计算器(如CASIO FX-50F PLUS)可以进行数据统计和向量、矩阵、微积分等运算，但都没有预测功能。而做出准确的预测是一项复杂的工程，需要专业工程技术人员经过详细的调研，以详尽的历史数据为基础，利用正确的方法对数据进行处理后才能完成，操作繁琐且成本较高。用目前常用的数据处理掌上设备不能进行预测，无法满足实际工程操作中研究预测的要求。

发明内容

本发明的第一个目的是解决现有预测方法通常只能解决某一类具体问题而通用性不强的问题，提供了一种改进的动态微分模拟智能预测方法，使数据的预测处理与具体的领域无关，通用性更好。

本发明的第二个目的是解决现有数据处理掌上设备不具有预测功能的问题，提供一种便携性更好、通用性更强、能够根据时间序列的不同特点选取更优的方法。

本发明第一目的是通过下述技术方案来实现：

动态微分模拟预测方法包括如下步骤：

a.对获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；

b.用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的关联公式；

c.对按步骤b得到的关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到预测值；

d.将上述预测值进行量纲化处理，得到实际的预测指标的结果。

所述步骤a中，无量纲化处理按如下方法进行：

预测指标的历史数据的时间序列记为：{x_i(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

影响因素的历史数据的时间序列记为：{u_l(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

无量纲化处理公式为：

$x_i^{\left(0\right)}\left(t_k\right)=x_i\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t_j\right),i=\mathrm{1,2},...,n;$

$u_l^{\left(0\right)}\left(t_k\right)=u_l\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_l\left(t_j\right),l=\mathrm{1,2},...,m;$

所述步骤b中，微分模拟的方法包括如下步骤：

b1.将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；

b2.用最小二乘法进行参数估计，建立累加后的预测指标与影响因素之间的定量关联公式。

所述步骤b1的具体方法是：

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

其中，上标0代表历史数据，t_k表示第k个时间点，i表示第i项影响因素；

对历史数据序列x⁽⁰⁾(t_k)和{u_l ⁽⁰⁾(t_k)}构造相应的一阶累加序列，记为：

{x_i ⁽¹⁾(t_k)}；{u_l ⁽¹⁾(t_k)}  i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m，其中

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m，上标1表示历史数据的第一次累加；

相应的多次累加序列为：

$x_i^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{x}_i^{(J-1)}\left(s\right);$ $u_l^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{u}_l^{(J-1)}\left(s\right)$

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m

J为累加次数，直到累加时间序列{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}具有指数特征；

所述步骤b2的具体方法是：

根灰色理论，将上述得到的具有指数特征的累加时间序列中进行微分模拟处理：

$\left\{\begin{array}{c}\frac{D{X}^{\left(J\right)}\left(t\right)}{\mathrm{Dt}}={\mathrm{AX}}^{\left(J\right)}\left(t\right)+{\mathrm{BU}}^{\left(J\right)}\left(t\right)\\ X^{\left(J\right)}\left(t_1\right)=X\left(1\right)\end{array}\right.$

其中

$X^{\left(J\right)}\left(t\right)=\left(\begin{array}{c}{x}_1^{\left(J\right)}\left(t\right)\\ x_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ x_n^J\left(t\right)\end{array}\right);$ $U^{\left(j\right)}\left(t\right)=\left(\begin{array}{c}{u}_1^{\left(J\right)}\left(t\right)\\ u_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ u_m^{\left(J\right)}\left(t\right)\end{array}\right);$ $\frac{{\mathrm{DX}}^j\left(t\right)}{\mathrm{Dt}}=\left(\begin{array}{c}{\mathrm{dx}}_1^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ {\mathrm{dx}}_2^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ .\\ .\\ .\\ {\mathrm{dx}}_n^{\left(J\right)}\left(t\right)/\mathrm{dt}\end{array}\right)$

a_ij(i＝1，2，...，n；j＝1，2，...，n)，b_ij(i＝1，2，...，m；j＝1，2，...，n)通过以下方法得到：

b21.根据处理过的历史数据{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}用数值微分方法得到

在各离散点t＝t_k处的值；

b22.对

的第i个方程，i＝1，2，...，n，根据t＝t_k的历史数据用最小二乘法识别参数a_ij和b_ij，得到 $\mathrm{Min}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[{\left[x_i^{\left(J\right)}\left(t_k\right)\right]}^{\′}{|}_{t=t_k}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j^{\left(J\right)}\left(t_k\right)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{u}_j^{\left(J\right)}\left(t_k\right)]}^2.$

所述步骤c的具体方法是：

将

按时间离散得到

X^(J)(t_k+1)＝A₁X^(J)(t_k)+BU^(J)(t_k+1)，其中

a_ij与矩阵A中的a_ij相同，向上述离散公式输入控制值U(t_n+1)，就可得到预测指标的无量纲值X(t_n+1)。

本发明的第二个目的通过下述技术方案来实现：

一种应用智能预测方法的数据处理掌上设备，包括控制器以及与控制器连接的存储卡、输入部件和显示部件、输出部件，以及与存储卡和控制器分别连接的数据智能预测处理单元，该数据智能预测处理单元包括动态微分模拟预测模块，该模块包括有如下模块：

历史数据处理模块，对以从输入部件获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；

微分模拟模型构建模块，用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的模拟模型的关联公式；

无量纲预测指标值获取模块，根据关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到无量纲的预测指标值；

预测指标量纲比模块，以将上述预测指标值进行量纲化处理，得到实际的预测指标的结果。

所述历史数据处理模块按如下方法对历史数据进行无量纲化处理：

预测指标的历史数据的时间序列记为：{x_i(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

影响因素的历史数据的时间序列记为：{u_l(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2....，m；

无量纲化处理公式为：

$x_i^{\left(0\right)}\left(t_k\right)=x_i\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t_j\right),i=\mathrm{1,2},...,n;$

$u_l^{\left(0\right)}\left(t_k\right)=u_l\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_l\left(t_j\right),l=\mathrm{1,2},...,m;$

所述微分模拟模型构建模块包括两个子模块：

累加子模块，将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；

模型构建子模块，从上述具有指数特征的新序列中用最小二乘法进行参数估计，以构建累加后的预测指标与影响因素之间的定量关联的模拟模型。

所述累加子模块对数据进行如下处理：

无量纲化后预测指标的历史数据的时间序列记为；

{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

其中，上标0代表历史数据，t_k表示第k个时间点，i表示第i项影响因素；

对历史数据序列x⁽⁰⁾(t_k)和{u_l ⁽⁰⁾(t_k)}构造相应的一阶累加序列，记为：

{x_i ⁽¹⁾(t_k)}；{u_l ⁽¹⁾(t_k)}    i＝1，2，...，n；k＝1,2，...，N；l＝1，2，...，m，其中

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m，上标1表示历史数据的第一次累加；

相应的多次累加序列为：

$x_i^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{x}_i^{(J-1)}\left(s\right);$ $u_l^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{u}_l^{(J-1)}\left(s\right)$

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m

J为累加次数，直到累加时间序列{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}具有指数特征；

所述模型构建子模块，对数据进行如下处理以得到模拟模型的关联公式：

根据灰色理论，将上述得到的具有指数特征的累加时间序列中进行微分模拟处理：

$\left\{\begin{array}{c}\frac{D{X}^{\left(J\right)}\left(t\right)}{\mathrm{Dt}}={\mathrm{AX}}^{\left(J\right)}\left(t\right)+{\mathrm{BU}}^{\left(J\right)}\left(t\right)\\ X^{\left(J\right)}\left(t_1\right)=X\left(1\right)\end{array}\right.$

其中

$X^{\left(J\right)}\left(t\right)=\left(\begin{array}{c}{x}_1^{\left(J\right)}\left(t\right)\\ x_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ x_n^J\left(t\right)\end{array}\right);$ $U^{\left(j\right)}\left(t\right)=\left(\begin{array}{c}{u}_1^{\left(J\right)}\left(t\right)\\ u_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ u_m^{\left(J\right)}\left(t\right)\end{array}\right);$ $\frac{{\mathrm{DX}}^j\left(t\right)}{\mathrm{Dt}}=\left(\begin{array}{c}{\mathrm{dx}}_1^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ {\mathrm{dx}}_2^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ .\\ .\\ .\\ {\mathrm{dx}}_n^{\left(J\right)}\left(t\right)/\mathrm{dt}\end{array}\right)$

a_ij(i＝1，2，...，n；j＝1，2，...，n)，b_ij(i＝1，2，...，m；j＝1，2，...，n)通过以下方法得到：

b21.根据处理过的历史数据{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}用数值微分方法得到

在各离散点t＝t_k处的值；

b22.对

的第i个方程，i＝1，2，...，n，根据t＝t_k的历史数据用最小二乘法识别参数a_ij和b_ij，得到 $\mathrm{Min}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[{\left[x_i^{\left(J\right)}\left(t_k\right)\right]}^{\′}{|}_{t=t_k}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j^{\left(J\right)}\left(t_k\right)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{u}_j^{\left(J\right)}\left(t_k\right)]}^2.$

所述无量纲预测指标值获取模块对数据进行如下处理：

将

按时间离散得到离散公式

X^(J)(t_k+1)＝A₁X^(J)(t_k)+BU^(J)(t_k+1)，其中

a_ij与矩阵A中的a_ij相同，向上述离散公式输入控制值U(t_n+1)，就可得到预测指标的无量纲值X(t_n+1)。

所述数据智能预测处理单元还包括如下模块中的一种或任意几种的组合：

时间序列灰预测模块；

改进的AR预测模块；

神经网络预测模块；

支持向量机预测模块；

优化组合预测模块。

附图说明

图1是本发明中数据处理掌上设备的结构示意图；

图2是本发明实施例1的历史数据表；

图3是本发明实施例1的无量纲化数据表；

图4是本发明实施例1的无量纲化数据的一次累加数据表；

图5是本发明实施例1的预测指标的无量纲拟合或预测结果表；

图6时本发明实施例1的预测指标的无量纲非累加的单月拟合或预测结果表；

图7是按本发明的方法和设备得到的实施例1预测指标的实测值与拟合值或预测值的比较表。

图8是本发明实施例2的历史数据表；

图9是本发明实施例2的无量纲化数据表；

图10是本发明实施例2的无量纲化数据的一次累加数据表；

图11是本发明实施例2的预测指标的无量纲拟合或预测结果表；

图12时本发明实施例2的预测指标的无量纲非累加的单月拟合或预测结果表；

图13是按本发明的方法和设备得到实施例2的预测指标的实测值与拟合值或预测值的比较表。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明。

如图1所示，一种应用智能预测方法的数据处理掌上设备，包括控制器以及与控制器连接的存储卡、输入部件和显示部件、输出部件，以及与存储卡和控制器分别连接的数据智能预测处理单元。本实施中，输入部件包括图1中所示的外部USB接口以及与显示部件集成一体的触摸屏，输出部件包括外部USB接口，通过USB接口既可以将外部数据文件导入以实现输入，又可以将存储卡中的数据以文档方式保存到外部实现输出。

图1中所示空心双箭头表示数据传递，单箭头表示命令或控制信号传递。

图1中各部件的功能分述如下：

控制器：实现各功能部件之间的协调运作，通过输入部件(本实施例中，采用触摸屏上显示的虚拟键盘输入)产生信号由控制器处理，控制外部数据导入到存储卡及内部数据的输出保存，控制存储卡的读写操作，控制数据智能预测处理单元的数据预测处理，以及控制操作屏幕的显示。

存储卡：实现经过输入部件输入的参数和历史数据的保存，外部数据导入的保存，存放数据智能预测处理单元的中间数据及预测结果。

外部USB接口：实现外部数据文件的导入，以及存储卡中的数据以文档方式保存到外部。

输入部件和显示部件(本实施例中采用的是触摸屏)：根据屏幕提示实现数据输入和功能选择，完成数据预测处理。

数据智能预测处理单元：根据设定的参数和获取的历史数据，依据要求进行智能预测，至少包括有动态微分模拟预测模块，该模块包括如下模块：

历史数据处理模块，对以从输入部件获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；

微分模拟模型构建模块，用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的模拟模型的关联公式；

无量纲预测指标值获取模块，根据关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到无量纲的预测指标值；

预测指标量纲比模块，将上述预测指标值进行量纲化处理，得到实际的预测指标的结果。

上述微分模拟模型构建模块包括两个子模块：

累加子模块，将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；

模型构建子模块，从上述具有指数特征的新序列中用最小二乘法进行参数估计，以构建累加后的预测指标与影响因素之间的定量关联的模拟模型。

数据智能预测处理单元还包括如下模块中的一种或任意几种的组合：

时间序列灰预测模块；

改进的AR预测模块；

神经网络预测模块；

支持向量机预测模块；

优化组合预测模块。

其中时间序列灰预测模块、改进的AR预测模块、神经网络预测模块、支持向量机预测模块、优化组合预测模块中的一种或几种的组合，是根据现有的与之对应的时间序列灰预测方法、改进的AR预测方法、神经网络预测方法、支持向量机预测方法、优化组合预测方法将通过输入部件输入的历史数据进行处理，以得到预测结果。

在具有上述组合的情况下，使用者可以根据所需预测指标的类型、历史数据的情况等因素，选取合适的预测模块，以得到更优的预测结果。

下面以实施例1和实施例2举例说明利用上述的数据处理掌上设备进行预测的方法及步骤。

实施例1：以油田产量预测(预测指标)为实施例1，假设某油田选择了4项控制指标作为影响因素输入，分别为采油井开井总数、措施总井次、注水井井数、注水量等，包括预测指标和影响因素的历史数据如图2所示。

将图1所示的历史数据通过数据处理掌上设备的输入部件(触摸屏或外部USB接口)输入到存储卡，在控制器的控制下，数据智能预测智能单元将上述历史数据调入到历史数据处理模块，对上述历史数据按如下方法进行无量纲化处理，分别得到如图3所示的无量纲化数据表。

预测指标的历史数据的时间序列记为：{x_i(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

影响因素的历史数据的时间序列记为：{u_l(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

无量纲化处理公式为：

$x_i^{\left(0\right)}\left(t_k\right)=x_i\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t_j\right),i=\mathrm{1,2},...,n;$

$u_l^{\left(0\right)}\left(t_k\right)=u_l\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_l\left(t_j\right),l=\mathrm{1,2},...,m;$

然后将图3所示的无量纲化数据在微分模拟模型构建模块中，用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的模拟模型的关联公式，其过程是：在累加子模块中，将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；然后在模型构建子模块中，从上述具有指数特征的新序列中用最小二乘法进行参数估计，以构建累加后的预测指标与影响因素之间的定量关联的模拟模型。

在累加子模块中，对数据进行如下处理：

预测指标的历史数据的时间序列记为{x_i ⁽⁰⁾(t_k)}，i＝1，2，...，n；k＝1，2，...，N；       

影响因素的历史数据的时间序列记为{u_l ⁽⁰⁾(t_k)}，k＝1，2，...，N；l＝1，2，...，m；

其中，上标0代表历史数据，t_k表示第k个时间点，i表示第i项影响因素；

对历史数据序列x⁽⁰⁾(t_k)和{u_l ⁽⁰⁾(t_k)}构造相应的一阶累加序列，记为：

{x_i ⁽¹⁾(t_k)}；{u_l ⁽¹⁾(t_k)}  i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...,m，其中

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m，上标1表示历史数据的第一次累加；一次累加的结果如图4。

相应的多次累加序列为：

$x_i^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{x}_i^{(J-1)}\left(s\right);$ $u_l^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{u}_l^{(J-1)}\left(s\right)$

i＝1，2，...，n；k＝1，2，...，N；l＝1，2，...，m

J为累加次数，直到累加时间序列{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}具有指数特征。在模型构建子模块中，对数据进行如下处理以得到模拟模型的关联公式：

根据灰色理论，将上述得到的具有指数特征的累加时间序列中进行微分模拟处理：

$\left\{\begin{array}{c}\frac{D{X}^{\left(J\right)}\left(t\right)}{\mathrm{Dt}}={\mathrm{AX}}^{\left(J\right)}\left(t\right)+{\mathrm{BU}}^{\left(J\right)}\left(t\right)\\ X^{\left(J\right)}\left(t_1\right)=X\left(1\right)\end{array}\right.$

其中

$X^{\left(J\right)}\left(t\right)=\left(\begin{array}{c}{x}_1^{\left(J\right)}\left(t\right)\\ x_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ x_n^J\left(t\right)\end{array}\right);$ $U^{\left(j\right)}\left(t\right)=\left(\begin{array}{c}{u}_1^{\left(J\right)}\left(t\right)\\ u_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ u_m^{\left(J\right)}\left(t\right)\end{array}\right);$ $\frac{{\mathrm{DX}}^j\left(t\right)}{\mathrm{Dt}}=\left(\begin{array}{c}{\mathrm{dx}}_1^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ {\mathrm{dx}}_2^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ .\\ .\\ .\\ {\mathrm{dx}}_n^{\left(J\right)}\left(t\right)/\mathrm{dt}\end{array}\right)$

a_ij(i＝1，2，...，n；j＝1，2，...，n)，b_ij(i＝1，2，...，m；j＝1，2，...，n)通过以下方法得到：

b21.根据处理过的历史数据{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}用数值微分方法得到

在各离散点t＝t_k处的值；

b22.对

的第i个方程，i＝1，2，...，n，根据t＝t_k的历史数据用最小二乘法识别参数a_ij和b_ij，得到 $\mathrm{Min}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[{\left[x_i^{\left(J\right)}\left(t_k\right)\right]}^{\′}{|}_{t=t_k}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j^{\left(J\right)}\left(t_k\right)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{u}_j^{\left(J\right)}\left(t_k\right)]}^2.$

然后在无量纲预测指标值获取模块中，对上述数据进行如下处理：

将

按时间离散得到离散公式

X^(J)(t_k+1)＝A₁X^(J)(t_k)+BU^(J)(t_k+1)，其中

a_ij与矩阵A中的a_ij相同，向上述离散公式输入控制值U(t_n+1)，则可得到预测指标的无量纲值X(t_n+1)。预测的无量纲的累加值如图5。

最后在预测指标量纲化模块中，首先将上述预测指标值转化为非累加的指标单月预测值，其结果如图6；再将得到的指标单月预测值进行量纲化处理，得到实际的预测指标的结果。

根据上述的方法在数据处理掌上设备对油田各月产量进行模拟或预测，得到如图7所示的比较表，可见，2007年10月产量的预测结果是389.2万吨，而当月实际产量为390.7万吨，预测误差为0.38％。从与历史数据的拟合程度来看，平均预测误差为0.55％。

实施例2：以水质等级预测(预测指标)为实施例2，是以长江干流某段面为例，选择了4项作为影响因素输入，分别为ph值、高锰酸盐指数(CODMn)、溶解氧(DO)和氨氮(NH₃-N)等，包括预测指标和影响因素的历史数据如图8所示。

按实施例1的方法进行无量纲化处理得到如图9所示的无量纲化数据表。

按实施例1的方法得到如图10所示的无量纲数据累加结果表。

按实施例1的方法得到如图11所示的预测指标的无量纲化的预测或拟合结果表。

按实施例1的方法得到如图12所示的预测指标的无量纲非累加的单月拟合或预测结果表。

对长江干流某断面水质等级各月按实施例1的方法进行模拟或预测，得到如图13所示的比较表，得到2007年3月的水质等级与实际等级相符合，从与历史数据的拟合程度来看，均相符合。

从上所述，实施例1和实施例2提出了一种具有通用性、因无量纲化处理而与具体领域无关的数据模拟预测方法——动态微分模拟预测方法，并将该方法集成到掌上设备解决了目前传统数据处理掌上设备所不能解决的问题，实现了数据预测功能。并且这种掌上设备的数据预测功能具有智能性，能够根据时间序列的不同特点选取更优的方法，具有操作简单、便于携带的优点。

Claims (10)

1.动态微分模拟预测方法，其特征在于，包括如下步骤：

a.对获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；

b.用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的关联公式；

c.对按步骤b得到的关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到预测值；

d.将上述预测值进行量纲化处理，得到实际的预测指标的结果。

2.如权利要求1所述动态微分模拟预测方法，其特征在于，所述步骤a中，无量纲化处理按如下方法进行：

预测指标的历史数据的时间序列记为：{x_i(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

影响因素的历史数据的时间序列记为：{u_l(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

无量纲化处理公式为：

$x_i^{\left(0\right)}\left(t_k\right)=x_i\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t_j\right),i=\mathrm{1,2},...,n;$

$u_l^{\left(0\right)}\left(t_k\right)=u_l\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_l\left(t_j\right),l=\mathrm{1,2},...,m;$

3.如权利要求1所述动态微分模拟预测方法，其特征在于，所述步骤b中，微分模拟的方法包括如下步骤：

b1.将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；

b2.用最小二乘法进行参数估计，建立累加后的预测指标与影响因素之间的定量关联公式。

4.如权利要求3所述动态微分模拟预测方法，其特征在于，所述步骤b1的具体方法是：

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

其中，上标0代表历史数据，t_k表示第k个时间点，i表示第i项影响因素；

对历史数据序列x⁽⁰⁾(t_k)和{u_l ⁽⁰⁾(t_k)}构造相应的一阶累加序列，记为：

{x_i ⁽¹⁾(t_k)}；{u_l ⁽¹⁾(t_k)}i＝1，2，…，n；k＝1，2，…，N；l＝1，2，…，m，其中

上标1表示历史数据的第一次累加；

相应的多次累加序列为：

$x_i^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{x}_i^{(J-1)}\left(s\right);$ $u_l^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{u}_l^{(J-1)}\left(s\right)$

i＝1，2，…，n；k＝1，2，…，N；l＝1，2，…，m

J为累加次数，直到累加时间序列{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}具有指数特征；

所述步骤b2的具体方法是：

根据灰色理论，将上述得到的具有指数特征的累加时间序列中进行微分模拟处理：

$\left\{\begin{array}{c}\frac{{\mathrm{DX}}^{\left(J\right)}\left(t\right)}{\mathrm{Dt}}={\mathrm{AX}}^{\left(J\right)}\left(t\right)+{\mathrm{BU}}^{\left(J\right)}\left(t\right)\\ X^{\left(J\right)}\left(t_1\right)=X\left(1\right)\end{array}\right.$

其中

$X^{\left(J\right)}\left(t\right)=\left(\begin{array}{c}{x}_1^{\left(J\right)}\left(t\right)\\ x_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ x_n^J\left(t\right)\end{array}\right);$ $U^{\left(j\right)}\left(t\right)=\left(\begin{array}{c}{u}_1^{\left(J\right)}\left(t\right)\\ u_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ u_m^{\left(J\right)}\left(t\right)\end{array}\right);$ $\frac{{\mathrm{DX}}^j\left(t\right)}{\mathrm{Dt}}=\left(\begin{array}{c}{\mathrm{dx}}_1^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ {\mathrm{dx}}_2^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ .\\ .\\ .\\ {\mathrm{dx}}_n^{\left(J\right)}\left(t\right)/\mathrm{dt}\end{array}\right)$

a_ij(i＝1，2，...，n；j＝1，2，...，n)，b_ij(i＝1，2，...，m；j＝1，2，...，n)通过以下方法得到：

b21.根据处理过的历史数据{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}用数值微分方法得到

在各离散点t＝t_k处的值；

b22.对

的第i个方程，i＝1，2，...，n，根据t＝t_k的历史数据用最小二乘法识别参数a_ij和b_ij，得到 $\mathrm{Min}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[{\left[x_i^{\left(J\right)}\left(t_k\right)\right]}^{\′}{|}_{t=t_k}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j^{\left(J\right)}\left(t_k\right)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{u}_j^{\left(J\right)}\left(t_k\right)]}^2.$

5.如权利要求4所述动态微分模拟预测方法，其特征在于，所述步骤c的具体方法是：

将

按时间离散得到

X^(J)(t_k+1)＝A₁X^(J)(t_k)+BU^(J)(t_k+1)，其中

a_ij与矩阵A中的a_ij相同，向上述离散公式输入控制值U(t_n+1)，就可得到预测指标的无量纲值X(t_n+1)。

6.一种应用智能预测方法的数据处理掌上设备，包括控制器以及与控制器连接的存储卡、输入部件和显示部件、输出部件，其特征在于，还包括与存储卡和控制器分别连接的数据智能预测处理单元，该数据智能预测处理单元包括动态微分模拟预测模块，该模块包括有如下模块：

历史数据处理模块，对以从输入部件获取的历史数据进行无量纲化处理，所述历史原始数据包括预测指标历史数据以及影响预测指标的至少一个的影响因素历史数据；

微分模拟模型构建模块，用微分模拟的方法根据历史数据建立预测指标与影响因素的关联关系，构建预测指标与影响因素之间的模拟模型的关联公式；

无量纲预测指标值获取模块，根据关联公式按时间离散得到离散公式，将控制值输入到该离散公式中，得到无量纲的预测指标值；

预测指标量纲比模块，以将上述预测指标值进行量纲化处理，得到实际的预测指标的结果。

7.如权利要求6所述一种应用智能预测方法的数据处理掌上设备，其特征在于，所述历史数据处理模块按如下方法对历史数据进行无量纲化处理：

预测指标的历史数据的时间序列记为：{x_i(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

影响因素的历史数据的时间序列记为：{u_l(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

无量纲化处理公式为：

$x_i^{\left(0\right)}\left(t_k\right)=x_i\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{x}_i\left(t_j\right),i=\mathrm{1,2},...,n;$

$u_l^{\left(0\right)}\left(t_k\right)=u_l\left(t_k\right)/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{u}_l\left(t_j\right),l=\mathrm{1,2},...,m;$

8.如权利要求7所述一种应用智能预测方法的数据处理掌上设备，其特征在于，所述微分模拟模型构建模块包括两个子模块：

累加子模块，将按时间序列的预测指标历史数据和影响因素历史数据分别进行多次累加处理，直至得到单调上升、具有指数特征的新序列；

模型构建子模块，从上述具有指数特征的新序列中用最小二乘法进行参数估计，以构建累加后的预测指标与影响因素之间的定量关联的模拟模型；

所述累加子模块对数据进行如下处理：

无量纲化后预测指标的历史数据的时间序列记为：

{x_i ⁽⁰⁾(t_k)}，i＝1，2，…，n；k＝1，2，…，N；

无量纲化后影响因素的历史数据的时间序列记为：

{u_l ⁽⁰⁾(t_k)}，k＝1，2，…，N；l＝1，2，...，m；

其中，上标0代表历史数据，t_k表示第k个时间点，i表示第i项影响因素；

对历史数据序列x⁽⁰⁾(t_k)和{u_l ⁽⁰⁾(t_k)}构造相应的一阶累加序列，记为：

{x_i ⁽¹⁾(t_k)}；{u_l ⁽¹⁾(t_k)}i＝1，2，…，n；k＝1，2，…，N；l＝1，2，…，m，其中

上标1表示历史数据的第一次累加；

相应的多次累加序列为：

$x_i^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{x}_i^{(J-1)}\left(s\right);$ $u_l^{\left(J\right)}\left(t_k\right)=\underset{s=1}{\overset{t_k}{\mathrm{\Σ}}}{u}_l^{(J-1)}\left(s\right)$

i＝1，2，…，n；k＝1，2，…，N；l＝1，2，…，m

J为累加次数，直到累加时间序列{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}具有指数特征；

所述模型构建子模块，对数据进行如下处理以得到模拟模型的关联公式：

根据灰色理论，将上述得到的具有指数特征的累加时间序列中进行微分模拟处理：

$\left\{\begin{array}{c}\frac{{\mathrm{DX}}^{\left(J\right)}\left(t\right)}{\mathrm{Dt}}={\mathrm{AX}}^{\left(J\right)}\left(t\right)+{\mathrm{BU}}^{\left(J\right)}\left(t\right)\\ X^{\left(J\right)}\left(t_1\right)=X\left(1\right)\end{array}\right.$

其中

$X^{\left(J\right)}\left(t\right)=\left(\begin{array}{c}{x}_1^{\left(J\right)}\left(t\right)\\ x_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ x_n^J\left(t\right)\end{array}\right);$ $U^{\left(j\right)}\left(t\right)=\left(\begin{array}{c}{u}_1^{\left(J\right)}\left(t\right)\\ u_2^{\left(J\right)}\left(t\right)\\ .\\ .\\ .\\ u_m^{\left(J\right)}\left(t\right)\end{array}\right);$ $\frac{{\mathrm{DX}}^j\left(t\right)}{\mathrm{Dt}}=\left(\begin{array}{c}{\mathrm{dx}}_1^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ {\mathrm{dx}}_2^{\left(J\right)}\left(t\right)/\mathrm{dt}\\ .\\ .\\ .\\ {\mathrm{dx}}_n^{\left(J\right)}\left(t\right)/\mathrm{dt}\end{array}\right)$

a_ij(i＝1，2，...，n；j＝1，2，...，n)，b_ij(i＝1，2，...，m；j＝1，2，...，n)通过以下方法得到：

b21.根据处理过的历史数据{x_i ^(J)(t_k)}和{u_l ^(J)(t_k)}用数值微分方法得到

在各离散点t＝t_k处的值；

b22.对

的第i个方程，i＝1，2，...，n，根据t＝t_k的历史数据用最小二乘法识别参数a_ij和b_ij，得到 $\mathrm{Min}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{[{\left[x_i^{\left(J\right)}\left(t_k\right)\right]}^{\′}{|}_{t=t_k}-\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}{x}_j^{\left(J\right)}\left(t_k\right)-\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ij}}{u}_j^{\left(J\right)}\left(t_k\right)]}^2.$

9.如权利要求8所述一种应用智能预测方法的数据处理掌上设备，其特征在于，所述无量纲预测指标值获取模块对数据进行如下处理：

将

按时间离散得到离散公式

X^(J)(t_k+1)＝A₁X^(J)(t_k)+BU^(J)(t_k+1)，其中

a_ij与矩阵A中的a_ij相同，向上述离散公式输入控制值U(t_n+1)，就可得到预测指标的无量纲值X(t_n+1)。

10.如权利要求6或7或8或9所述一种应用智能预测方法的数据处理掌上设备，其特征在于，所述数据智能预测处理单元还包括如下模块中的一种或任意几种的组合：

时间序列灰预测模块；

改进的AR预测模块；

神经网络预测模块；

支持向量机预测模块；

优化组合预测模块。

Images