CN102495944A - 一种时间序列预测方法、设备和系统 - Google Patents

Abstract

本发明实施例公开了一种时间序列预测方法、设备和方法，其中方法包括：训练获取的时间序列数据得到训练数据集；利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；截获加权系数非零的预测器进行时间序列数据预测。本发明实施例将具有多样性的预测器组的加权系数作为稀疏信号进行重构并求解相应优化函数，所得出的加权系数由于具有稀疏性，利用上述得出的加权系数为非零的预测器进行时间序列数据预测校验，由于所用预测器组的数量精简从而加速了校验过程，且预测准确性得到了提高。

Description

一种时间序列预测方法、设备和系统

技术领域

本发明涉及数据预测技术领域，更具体地说，涉及一种时间序列预测方法、设备和方法。

背景技术

时间序列预测法是基于与时间顺序相关联的有序观测数据集，利用随机过程理论和数理统计学方法，研究所述数据集所遵从的统计规律，从而推测数据发展趋势指导解决实际问题。所述时间序列预测法已广泛应用到工业、地址、生态、经济、气象、医学等领域。

现有技术中针对时间序列预测使用较多的是工具是基于机器学习算法的神经网络、决策树和支持向量机方法等预测器，为了取得更好的时间序列预测效果，往往将多个相同或不同的预测器进行融合，即选择预测器并赋予多样性，以及将多个预测器的输出结果进行融合。

然而现有的该种预测器融合的方式至少存在如下缺点：

由于多个预测器的输出结果进行融合时需利用平均加权法、最小二乘法加权法以及线性规划系数加权法等，所述平均加权法和最小二乘加权法是对所有的预测器分配预设权值，而对预测器数据校验时，需要逐个校验预测器无疑使得校验过程缓慢，而线性规划系数加权法虽校验过程相对快速，但时间序列预测准确度并不理想。

发明内容

有鉴于此，本发明提供一种时间序列预测方法、设备和系统，以实现时间序列预测校验过程快速，且预测准确度提高的目的。

一种时间序列预测方法，包括：

训练获取的时间序列数据得到训练数据集；

利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

截获加权系数非零的预测器进行时间序列数据预测。

为了完善上述方案，所述训练获取的时间序列数据得到训练数据集具体为：

设定所述时间序列数据为X(k)，k＝1，…，t-1，其中：t为当前时刻，嵌入维数为d，预测步长为τ；

按照预设规则进行时间序列数据训练后，得到的训练数据集为：其中：n-d是训练样本的个数，x_k＝[X(k-d+1)…X(k-1)X(k)]∈R^d，y_k＝X(k+1)∈R，R表示实数集。

提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数具体为：

将针对所述具有多样性的预测器组的加权系数作为稀疏信号代入稀疏信号重构优化函数：

$\min \frac{1}{2}\underset{k=d}{\overset{n}{\mathrm{\Σ}}}{(y_k-\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j{f}_j\left(x_k\right))}^2+\mathrm{\λ}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j,$ 并求解得到所述具有多样性的预测器组的加权系数a_j：

其中，λ＞0是正则参数，该优化函数的第一项

表示训练误差，第二项

表示容量控制。

所述截获加权系数非零的预测器具体为：

判断所述具有多样性的预测器组的加权系数a_j是否为零；

将加权系数为a_j＝0的若干所述若干具有多样性的预测器的输出结果舍弃，并截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

所述进行时间序列数据预测具体为：

步骤A：令m＝1，输入校验样本为x′＝[X(t-d+1)…X(t-1)X(t)]，

步骤B：利用加权系数非零的预测器组得到预测结果，即：

$\hat{X}(t+m)=\hat{y}=\underset{j=1}{\overset{L_{\mathrm{NZ}}}{\mathrm{\Σ}}}{a}_j{f}_j\left(x^{\′}\right);$

步骤C：更新校验样本：

若t+m-k≤t，则 ${\hat{X}}^{*}(t+m-k)=X(t+m-k),$ 反之则 ${\hat{X}}^{*}(t+m-k)=\hat{X}(t+m-k).$

步骤D：判断m是否等于τ，若等于则预测结束，输出预测值

否则令m＝m+1，重复步骤B至步骤D。

而上述所述预测器组具体为：神经网络、决策树和支持向量机的自由组合。

一种时间序列预测设备，包括：

预处理模块，用于训练获取的时间序列数据得到训练数据集；

预测器训练模块，用于利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

预测器加权系数计算模块，用于提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

时间序列预测模块，用于截获加权系数非零的预测器进行时间序列数据预测。

为了完善上述方案，时间序列预测模块包括：

加权系数判断模块：用于判断所述具有多样性的预测器组的加权系数aj是否为零；

预测器组处理模块：用于将加权系数为a_j＝0的若干所述若干具有多样性的预测器的输出结果舍弃，并截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

所述设备还包括：

稀疏信号重构优化函数模块，用于将针对所述具有多样性的预测器组的加权系数作为系数信号代入稀疏信号重构优化函数。

一种时间序列预测系统，包括权利要求7-9任一项所述的时间序列预测设备。

从上述的技术方案可以看出，本发明实施例将具有多样性的预测器组的加权系数作为稀疏信号进行重构并求解相应优化函数，所得出的加权系数由于具有稀疏性，利用上述得出的加权系数为非零的预测器进行时间序列数据预测校验，由于所用预测器组的数量精简从而加速了校验过程；同时，因为本方法选用的是基于稀疏信号重构加权的方式其稀疏性弱于现有技术中的线性规划系数加权方法，而根据稀疏性与预测准确性成反比的原理则本方法的预测准确性得到了提高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种时间序列预测方法流程图；

图2a为本发明又一实施例公开的一种时间序列预测方法流程图；

图2b为本发明又一实施例公开的一种时间序列数据预测方法流程图；

图3为本发明实施例公开的一种时间序列预测设备结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

时间序列预测法是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势进行类推或延伸的方法。

现有的时间序列预测法中较为常用的机器学习算法的工具包括预测器，基于所述时间序列预测法的预测器主要为支持向量机、决策树和神经网络。

发明人在将上述预测器进行输出结果的融合过程中发现：

常用到的融合准则包括平均加权法、最小二乘法加权法、线性规划系数加权法等，平均加权法和最小二乘加权法是对所有的预测器均分配一个权值，所有的预测器在时间序列数据预测的校验过程中遍历校验耗费了时间，延长了数据预测周期；而使用线性规划系数加权法则由于其稀疏性强，其预测准确性不是非常理想。

故而发明人在进行了大量研究和实验的前提下，提出一种时间序列预测方法、设备和系统，以实现时间序列预测校验过程快速，且预测准确度提高的目的。

以下结合实施例进行具体的说明：

图1示出了一种时间序列预测方法，包括：

步骤11：训练获取的时间序列数据得到训练数据集；

步骤12：利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

步骤13：提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

所述稀疏信号重构优化函数将预测器组中的加权系数作为稀疏信号重构优化函数中，并在求解所述稀疏信号重构优化函数得出解集后，去掉加权系数为零的加权系数。

步骤14：截获加权系数非零的预测器进行时间序列数据预测。

本实施例基于预测器加权的思路结合稀疏信号重构方法，由于预测器加权法是进行时间序列数据预测行之有效的方式，所述稀疏信号重构的优化函数的应用在不影响预测器加权法发挥数据预测作用的基础上，利用稀疏信号重构的优势对所用预测器组的数量进行精简从而加速了校验过程，

图2示出了又一种时间序列预测方法，包括：

步骤21：将获取的时间序列数据设定为X(k)，k＝1，…，t-1，其中：t为当前时刻，嵌入维数为d，预测步长为τ；

步骤22：按照预设规则进行时间序列数据训练后，得到的训练数据集为：

其中：n-d是训练样本的个数，x_k＝[X(k-d+1)…X(k-1)X(k)]∈R^d，y_k＝X(k+1)∈R，R表示实数集；

需要说明的是，所述预设规则根据时间序列预测需要进行训练，具体训练工具不做局限。

步骤21-步骤22为将时间序列数据进行训练后得到的训练数据集的过程，所述训练数据集是训练预测器多样性的基础。

步骤23：利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

根据选定的预测器组可为神经网络、决策树和支持向量机的任意组合，则利用所述训练数据集进行训练后，所述预测器组的结果呈现出多样性。

步骤24：将针对所述具有多样性的预测器组的加权系数作为稀疏信号代入稀疏信号重构优化函数： $\min \frac{1}{2}\underset{k=d}{\overset{n}{\mathrm{\Σ}}}{(y_k-\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j{f}_j\left(x_k\right))}^2+\mathrm{\λ}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j,$

并求解得到所述具有多样性的预测器组的加权系数a_j，j＝1，…，L；

其中，λ＞0是正则参数，该优化函数的第一项

表示训练误差，第二项

表示容量控制。

步骤23-步骤24是提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数，为后续计算和处理作出准备。

步骤25：判断所述具有多样性的预测器组的加权系数a_j是否非零，若是，则进行步骤26，否则将加权系数为a_j＝0的若干所述具有多样性的预测器舍弃；

步骤26：截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

上述标识动作为后续数据预测的预测器提取提供方便。

步骤25-步骤26在基于时间序列预测的应用场景下，对具有多样性的预测器组加权的输出结果进行融合的基本思路，利用稀疏信号重构对加权系数为零的若干预测器(在对当前时间序列数据进行实际预测校验的过程中不起作用)进行去除，从数据预测的校验过程中预测器数量的角度上考虑，减少了预测器输出结果的校验总量，从而达到提高校验速度的目的。

步骤27：进行时间序列数据预测具体参见图2b所示：

步骤271：令m＝1，输入校验样本为x′＝[X(t-d+1)…X(t-1)X(t)]；

步骤272：利用加权系数非零的预测器组得到预测结果，即：

$\hat{X}(t+m)=\hat{y}=\stackrel{L_{\mathrm{NZ}}}{\mathrm{\Σ}}{a}_j{f}_j\left(x^{\′}\right);$

步骤273：更新校验样本：

若t+m-k≤t，则 ${\hat{X}}^{*}(t+m-k)=X(t+m-k),$ 反之则 ${\hat{X}}^{*}(t+m-k)=\hat{X}(t+m-k);$

步骤274：判断m是否等于τ，若等于则预测结束，输出预测值否则令m＝m+1，重复步骤B至步骤D。

上述步骤271-步骤274是在步骤25-步骤26对预测器进行处理的基础上进行数据预测及校验，可以看到，仅需对加权系数非零的预测器输出结果进行校验。

图3示出了一种时间序列预测设备，包括：

预处理模块31，用于训练获取的时间序列数据得到训练数据集；

预测器训练模块32，用于利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

预测器加权系数计算模块33，用于提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

时间序列预测模块34，用于截获加权系数非零的预测器进行时间序列数据预测；

图3还示出了时间序列预测模块的构成及连接关系，包括：

加权系数判断模块341：用于判断所述具有多样性的预测器组的加权系数aj是否为零；

预测器组处理模块342：用于将加权系数为a_j＝0的若干所述若干具有多样性的预测器的输出结果舍弃，并截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

以及：

稀疏信号重构优化函数模块35，用于将针对所述具有多样性的预测器组的加权系数作为系数信号代入稀疏信号重构优化函数。

需要说明的是，所述稀疏信号重构优化函数模块35在针对一组时间序列预测时现场生成则可将其单独设立，当然所述稀疏信号重构优化函数模块35也可与所述预测器加权系数计算模块33整合在一个装置中或同一软件模块中。

需要特别指出的是：本发明公开了一种时间序列预测系统，包括图3图示及说明对应的时间序列预测设备，所述设备的功能及连接关系不再赘述和重复图示。

综上所述：

本发明实施例将具有多样性的预测器组的加权系数作为稀疏信号进行重构并求解相应优化函数，所得出的加权系数由于具有稀疏性，利用上述得出的加权系数为非零的预测器进行时间序列数据预测校验，由于所用预测器组的数量精简从而加速了校验过程；同时，因为本方法选用的是基于系数信号重构加权的方式其稀疏性弱于现有技术中的线性规划系数加权方法，而根据稀疏性与预测准确性成反比的原理则本方法的预测准确性得到了提高。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置和系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员可意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下，在其它实施例中实现。因此，本发明实施例将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种时间序列预测方法，其特征在于，包括：

训练获取的时间序列数据得到训练数据集；

利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

截获加权系数非零的预测器进行时间序列数据预测。

2.如权利要求1所述的预测方法，其特征在于，训练获取的时间序列数据得到训练数据集具体为：

设定所述时间序列数据为X(k)，k＝1，…，t-1，其中：t为当前时刻，嵌入维数为d，预测步长为τ；

按照预设规则进行时间序列数据训练后，得到的训练数据集为：

其中：n-d是训练样本的个数，x_k＝[X(k-d+1)…X(k-1)X(k)]∈R^d，y_k＝X(k+1)∈R，R表示实数集。

3.如权利要求1所述的预测方法，其特征在于，提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数具体为：

将针对所述具有多样性的预测器组的加权系数作为稀疏信号代入稀疏信号重构优化函数：

$\min \frac{1}{2}\underset{k=d}{\overset{n}{\mathrm{\Σ}}}{(y_k-\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j{f}_j\left(x_k\right))}^2+\mathrm{\λ}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}{a}_j,$ 并求解得到所述具有多样性的预测器组的加权系数a_j：

其中，λ＞0是正则参数，该优化函数的第一项

表示训练误差，第二项

表示容量控制。

4.如权利要求3所述的预测方法，其特征在于，所述截获加权系数非零的预测器具体为：

判断所述具有多样性的预测器组的加权系数a_j是否为零；

将加权系数为a_j＝0的若干所述若干具有多样性的预测器的输出结果舍弃，并截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

5.如权利要求4所述的预测方法，其特征在于，所述进行时间序列数据预测具体为：

步骤A：令m＝1，输入校验样本为x′＝[X(t-d+1)…X(t-1)X(t)]，

步骤B：利用加权系数非零的预测器组得到预测结果，即：

$\hat{X}(t+m)=\hat{y}=\underset{j=1}{\overset{L_{\mathrm{NZ}}}{\mathrm{\Σ}}}{a}_j{f}_j\left(x^{\′}\right);$

步骤C：更新校验样本：

若t+m-k≤t，则 ${\hat{X}}^{*}(t+m-k)=X(t+m-k),$ 反之则 ${\hat{X}}^{*}(t+m-k)=\hat{X}(t+m-k);$

步骤D：判断m是否等于τ，若等于则预测结束，输出预测值

否则令m＝m+1，重复步骤B至步骤D。

6.如权利要求1所述的预测方法，其特征在于，所述预测器组具体为：神经网络、决策树和支持向量机的自由组合。

7.一种时间序列预测设备，其特征在于，包括：

预处理模块，用于训练获取的时间序列数据得到训练数据集；

预测器训练模块，用于利用所述训练数据集训练选定预测器组生成具有多样性的预测器组；

预测器加权系数计算模块，用于提取稀疏信号重构优化函数并求解所述具有多样性的预测器组的加权系数；

时间序列预测模块，用于截获加权系数非零的预测器进行时间序列数据预测。

8.如权利要求7所述的预测设备，其特征在于，还包括：

稀疏信号重构优化函数模块，用于将针对所述具有多样性的预测器组的加权系数作为系数信号代入稀疏信号重构优化函数。

9.如权利要求8所述的预测设备，其特征在于，时间序列预测模块包括：

加权系数判断模块：用于判断所述具有多样性的预测器组的加权系数aj是否为零；

预测器组处理模块：用于将加权系数为a_j＝0的若干所述若干具有多样性的预测器的输出结果舍弃，并截获加权系数为a_j≠0的具有多样性的预测器组进行逐个标识：

其中：a_j，j＝1，…，L_NZ，NZ表示非零个数。

10.一种时间序列预测系统，其特征在于，包括权利要求7-9任一项所述的时间序列预测设备。

Images