CN103377298B - 选择参数的方法和装置 - Google Patents
选择参数的方法和装置 Download PDFInfo
- Publication number
- CN103377298B CN103377298B CN201210122746.0A CN201210122746A CN103377298B CN 103377298 B CN103377298 B CN 103377298B CN 201210122746 A CN201210122746 A CN 201210122746A CN 103377298 B CN103377298 B CN 103377298B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sub
- known time
- parameter sets
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及选择参数的方法和装置。选择参数的方法包括:在已知时间序列中,提取最能指示目标时间序列的第一子已知时间序列;在已知时间序列中,提取与第一子已知时间序列最相似的多个第二子已知时间序列;针对每个第二子已知时间序列,在已知时间序列中,提取第三子已知时间序列作为测试数据,第三子已知时间序列的长度与目标时间序列的长度相同,并且第三子已知时间序列相对于第二子已知时间序列的位置关系与目标时间序列相对于第一子已知时间序列的位置关系相同;预先限定不同的多个参数集合;根据第三子已知时间序列来计算多个参数集合中的每个参数集合的预测准确度;根据预测准确度从多个参数集合中选择适当的参数集合。
Description
技术领域
本发明涉及时间序列预测的领域,具体涉及选择参数的方法和装置。
背景技术
时间序列预测的目的在于预测下一时间间隔的值,这在许多领域中已有所应用,如负荷预测。时间序列预测一般涉及两个阶段。第一个阶段是数据选择,第二阶段是预测。这两个阶段都涉及许多参数。不同的参数对最终得到的结果将产生不同的影响。
因此,需要一种能够选择合适的供时间序列预测所用的参数的技术。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
本发明的一个主要目的在于,提供了选择参数的方法和装置。
根据本发明的一个方面,提供了一种选择参数的方法,其中当根据已知时间序列预测目标时间序列时使用参数,方法包括:在已知时间序列中,提取最能指示目标时间序列的第一子已知时间序列;在已知时间序列中,提取与第一子已知时间序列最相似的多个第二子已知时间序列;针对每个第二子已知时间序列,在已知时间序列中,提取第三子已知时间序列作为测试数据,第三子已知时间序列的长度与目标时间序列的长度相同,并且第三子已知时间序列相对于第二子已知时间序列的位置关系与目标时间序列相对于第一子已知时间序列的位置关系相同;预先限定不同的多个参数集合;根据第三子已知时间序列来计算多个参数集合中的每个参数集合的预测准确度;根据预测准确度从多个参数集合中选择适当的参数集合。
根据本发明的另一个方面,提供了一种选择参数的装置,其中当根据已知时间序列预测目标时间序列时使用参数,装置包括:第一子已知时间序列提取单元,被配置为在已知时间序列中,提取最能指示目标时间序列的第一子已知时间序列;第二子已知时间序列提取单元,被配置为在已知时间序列中,提取与第一子已知时间序列最相似的多个第二子已知时间序列;第三子已知时间序列提取单元,被配置为针对每个第二子已知时间序列,在已知时间序列中,提取第三子已知时间序列作为测试数据,第三子已知时间序列的长度与目标时间序列的长度相同,并且第三子已知时间序列相对于第二子已知时间序列的位置关系与目标时间序列相对于第一子已知时间序列的位置关系相同;参数集合预限定单元,被配置为预限定不同的多个参数集合;预测准确度计算单元,被配置为根据第三子已知时间序列来计算多个参数集合中的每个参数集合的预测准确度;参数集合选择单元,被配置为根据预测准确度从多个参数集合中选择适当的参数集合。
另外,本发明的实施例还提供了用于实现上述方法的计算机程序。
此外,本发明的实施例还提供了至少计算机可读介质形式的计算机程序产品,其上记录有用于实现上述方法的计算机程序代码。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
参照下面结合附图对本发明实施例的说明,会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1是示出根据本发明的一个实施例的选择参数的方法的流程图;
图2是示出根据本发明的另一个实施例的选择参数的方法的流程图;
图3是示出根据本发明的又一个实施例的选择参数的方法的流程图;
图4是示出根据本发明的再一个实施例的选择参数的方法的流程图;
图5是示出提取第一子已知时间序列的过程的流程图;
图6是示出根据本发明的一个实施例的选择参数的装置的配置的框图;
图7是示出根据本发明的另一个实施例的选择参数的装置的配置的框图;
图8是示出根据本发明的又一个实施例的选择参数的装置的配置的框图;
图9是示出根据本发明的再一个实施例的选择参数的装置的配置的框图;
图10是示出第一子已知时间序列提取单元的配置的框图;以及
图11是示出可以用于实施根据本发明的实施例的选择参数的方法和装置的计算设备的举例的结构图。
具体实施方式
下面参照附图来说明本发明的实施例。在本发明的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。应当注意,为了清楚的目的,附图和说明中省略了与本发明无关的、本领域普通技术人员已知的部件和处理的表示和描述。
以下参照图1来描述根据本发明的一个实施例的选择参数的方法100。此处的参数供时间序列预测所用。
假设已知时间序列为X=x1,x2,……,xn,其中xi表示对应时间片i的值。要预测的目标时间序列为Tar=xk,xk+1,……,xk+m。其中,k≥n,m<<n。当根据已知时间序列X=x1,x2,……,xn预测目标时间序列Tar时将使用很多参数。在通过不同模型或算法进行预测时,所使用的参数可能不尽相同。
作为一个示例,当采用自动回归(Auto-regressive,AR)模型(如下式(1))预测时,根据时间序列中的若干个点t-1,t-2,......,t-p各自的取值yt-1,yt-2,……,yt-p来预测t点的取值yt。此处,θ1,θ2,……,θp以及∈t等其它参数可以通过历史数据计算得到。p(p∈(1,2,……,m))是需要预先选择的参数,即,可以根据本发明的方法通过遍历p的不同取值,选择参数p的合适取值。
yt=θ1yt-1+...+θpyt-p+∈t(1)
作为另一示例,当采用自动回归移动平均(Auto-regressiveMoving-Average,ARMA)(如下式(2))预测时,根据前面若干个点t-1,t-2,……,t-p各自的取值yt-1,yt-2,……,yt-p来预测t点的取值yt。此处,θ1,θ2,……,θp以及∈t,∈t-1,……,∈t-q等其它参数可以通过历史数据计算得到。p,q(p,q∈(1,2,......,m))是需要预先选择的参数,即,可以根据本发明的方法,通过遍历p,q的不同取值,选择参数p,q的合适取值。
yt=θ1yt-1+...+θpyt-p+∈t-θ1∈t-1-θq∈t-q(2)
尽管以上仅以自动回归模型和自动回归移动平均模型阐述了参数,但是通过上述的和下述的教导,容易理解到,本发明的方法可以用于选择任意其他预测模型的参数。
如图1所示,在步骤S102,在已知时间序列X=x1,x2,……,xn中,提取最能指示目标时间序列Tar=xk,xk+1,……,xk+m的第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1。例如“最能指示”意味着对于目标时间序列Tar来说,第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1具有最强的指示性作用。
在步骤S104中,在已知时间序列X=x1,x2,……,xn中,提取与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1最相似的多个第二子已知时间序列X2。
在步骤S106中,针对每个第二子已知时间序列X2,在已知时间序列X=x1,x2,……,xn中,提取第三子已知时间序列PTp作为测试数据。
在步骤S106中提取的第三子已知时间序列PTp的长度与目标时间序列Tar=xk,xk+1,……,xk+m的长度相同。
此外,第三子已知时间序列PTp相对于第二子已知时间序列X2的位置关系与目标时间序列Tar=xk,xk+1,……,xk+m相对于第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1的位置关系相同。可以理解到,此处的位置关系可以指代两个时间序列之间的各种位置关系,例如,可以指代两个时间序列之间的间隔,也可以指代抽取每个时间序列中的各个元素的间隔,等等。
如上所述,第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1对于目标时间序列Tar=xk,xk+1,……,xk+m具有最强的指示作用,第二子已知时间序列X2与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1最相似,第三子已知时间序列PTp相对于第二子已知时间序列X2的位置关系与目标时间序列Tar=xk,xk+1,……,xk+m相对于第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1的位置关系相同。可见,第三子已知时间序列PTp潜在地类似于目标时间序列Tar=xk,xk+1,……,xk+m,换句话说,用第三子已知时间序列PTp评估各个参数集合Parq将是最合适的。
在步骤S108中,预先限定不同的多个参数集合Parq。以自动回归模型为例,可以预先限定参数p的范围,例如10<p<100。此处的参数集合Parq中仅包含一个参数p,但是可以理解到,取决于具体的预测模型或算法,参数集合Parq可以包括不止一个参数。
在步骤S110中,根据第三子已知时间序列PTp来评估多个参数集合Parq中的每个参数集合Parq的预测准确度Acc(Parq)。换句话说,依次利用每个参数集合Parq并基于相应的预测模型来预测第三子已知时间序列PTp,由于第三子已知时间序列PTp是已知的,因此,可以评估每个参数集合Parq的预测准确度Acc(Parq)。
仍以自动回归模型为例,依次利用参数p的每个取值并基于自动回归模型预测第三子已知时间序列PTp,从而评估参数p的各个取值的预测准确度。
在步骤S112中,根据预测准确度Acc(Parq)从多个参数集合Parq中选择适当的参数集合Parq。例如,可以选择与最高的预测准确度对应的参数集合Parq。
仍以自动回归模型为例,当参数p取50时的预测准确度最好,则可以在后续实际预测目标时间序列Tar时,选择p=50。可以理解到,上述的p的取值仅是示例性的而没有任何限制性。
以下参照图2来描述根据本发明的另一个实施例的选择参数的方法200。图2中的步骤S202至步骤S210分别与图1中的步骤S102至步骤S110相同,在此不再赘述。
如图2所示,在步骤S212中,计算第二子已知时间序列X2与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1之间的第一相似度Sim(X2,X1)。
在步骤S214中,可以根据在步骤S210中计算出的预测准确度Acc(Parq)和在步骤S212中计算出的第一相似度Sim(X2,X1)从多个参数集合Parq中选择适当的参数集合Parq。
例如,可以通过将预测准确度Acc(Parq)和第一相似度Sim(X2,X1)相乘来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可选地,可以通过将预测准确度Acc(Parq)和第一相似度Sim(X2,X1)加权求和来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可以理解到,此处的乘积分值以及加权求和分值都是示例性的。实际上,可以采用任意适当的方式来综合预测准确度Acc(Parq)和第一相似度Sim(X2,X1)。
换句话说,在参照图2描述的方法200中,除了考虑预测准确度之外,还考虑了第二子已知时间序列X2与第一子已知时间序列X1之间的第一相似度Sim(X2,X1)。
进一步而言,由于第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1对于目标时间序列Tar具有最强的指示性。第二子已知时间序列PTp潜在地对第三子已知时间序列PTp具有强指示性。因而,通过计算第二子已知时间序列X2与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1之间的第一相似度Sim(X2,X1),可以间接地评估目标时间序列Tar和第三子已知时间序列PTp的相似度。换句话说,尽管目标时间序列Tar是未知的,仍可以通过间接的方式,考虑目标时间序列Tar与第三子已知时间序列PTp之间的相似度。
以下参照图3来描述根据本发明的又一个实施例的选择参数的方法300。图3中的步骤S302至步骤S310分别与图1中的步骤S102至步骤S110相同,在此不再赘述。
如图3所示,在步骤S312中,计算已知时间序列X中的第一训练数据TD(Parq,PTp)和第二训练数据TD(Parq,Tar)之间的第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。
第一训练数据TD(Parq,PTp)对应于每个参数集合Parq和第三子已知时间序列PTp,而第二训练数据TD(Parq,Tar)对应于每个参数集合Parq和目标时间序列Tar。
换句话说,第一训练数据TD(Parq,PTp)是通过参数集合Parq从第三已知时间序列PTp中选择出的。第二训练数据TD(Parq,Tar)是通过参数集合Parq从目标时间序列Tar中选择出的。
在步骤S314中,根据预测准确度Acc(Parq)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))从多个参数集合Parq中选择适当的参数集合Parq。
例如,可以通过将预测准确度Acc(Parq)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))相乘来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可选地,可以通过将预测准确度Acc(Parq)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))加权求和来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可以理解到,此处的乘积分值以及加权求和分值都是示例性的。实际上,可以采用任意适当的方式来综合预测准确度Acc(Parq)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。
换句话说,在参照图3描述的方法300中,除了考虑预测准确度之外,还考虑了第二训练数据与第一训练数据之间的第二相似度。
进一步而言,在方法300中,考虑了选择的训练数据与真实测试选择的数据之间的相似度。
以下参照图4来描述根据本发明的再一个实施例的选择参数的方法400。图4中的步骤S402至步骤S410分别与图1中的步骤S102至步骤S110相同,在此不再赘述。
如图4所示,在步骤S412中,计算已知时间序列X中的第一训练数据TD(Parq,PTp)和第二训练数据TD(Parq,Tar)之间的第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。其中,第一训练数据TD(Parq,PTp)对应于每个参数集合Parq和第三子已知时间序列PTp,而第二训练数据TD(Parq,Tar)对应于每个参数集合Parq和目标时间序列Tar。
在步骤S414中,计算第二子已知时间序列X2与第一子已知时间序列X1=xn-i,xn-j+1,……,xn-1之间的第一相似度Sim(X2,X1)。
在步骤S416中,根据预测准确度Acc(Parq)、第一相似度Sim(X2,X1)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))从多个参数集合Parq中选择适当的参数集合Parq。
例如,可以通过将预测准确度Acc(Parq)、第一相似度Sim(X2,X1)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))相乘来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可选地,可以通过将预测准确度Acc(Parq)、第一相似度Sim(X2,X1)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))加权求和来计算分值Val(Parq)。可以选择分值Val(Parq)高的参数集合Parq。
可以理解到,此处的乘积分值以及加权求和分值都是示例性的。实际上,可以采用任意适当的方式来综合预测准确度Acc(Parq)、第一相似度Sim(X2,X1)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。
换句话说,在参照图4描述的方法400中,同时考虑了预测准确度、第二子已知时间序列与第一子已知时间序列之间的第一相似度、第二训练数据与第一训练数据之间的第二相似度。
进一步而言,方法400总和考虑了方法200和方法300的各个因素。
在参照图1至图4描述的方法中,通过考虑各种因素选择参数集合,然后可以利用所选择的参数集合基于已知时间序列X来预测目标时间序列Tar。
以下参照图5来描述提取第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1的过程500,即,提取最能指示目标时间序列Tar的第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1的过程500。
在步骤S502中,可以从已知时间序列X提取多个第四子已知时间序列X4,其中第四子已知时间序列X4的长度与目标时间序列Tar的长度相同。
在步骤S504中,可以计算每两个第四子已知时间序列X4之间的第三相似度Sim(X4)。
在步骤S506中,可以多次计算每两个第五子已知时间序列X5之间的第四相似度Sim(X5),其中,第五子已知时间序列X5与第四子已知时间序列X4具有一定位置关系,并且在每次计算时使用的位置关系不同。
在步骤S508中,计算第三相似度Sim(X4)和第四相似度Sim(X5)之间的相关性。
在步骤S508中,可以通过各种适当的方式来计算相关性。例如,可以通过下式(3)来计算第三相似度Sim(X4)和第四相似度Sim(X5)之间的相关性。为了使下式(3)看上去简洁,将第三相似度表示为Sim3,将第四相似度表示为Sim4。
其中,COV(Sim3,Sim4)是协方差,SSim3是变量Sim3的标准差,SSim4是变量Sim4的标准差,n是样本容量,Sim3i是变量Sim3的第i个分量,Sim4i是变量Sim4的第i个分量,为变量Sim3的样本均值,为变量Sim4的样本均值。
在步骤S510中,可以确定与最强相关性对应的位置关系。
在步骤S512中,提取相对于目标时间序列Tar有步骤S510中确定的位置关系的子已知时间序列作为第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1。
在参照图1至图5的描述中,多次提到了相似度计算。实际上,可以采用各种已知的方法来计算两个时间序列之间的相似度。例如,可以采用欧式距离(Euclideandistance)和动态时间规整距离(DynamicTimeWarpingDistance,DTW)等方法进行计算。与欧式距离相关的计算方法可以参考C.Faloutsos,M.Ranganathan,andY.Manolopoulos.FastSubsequenceMatchinginTime-SeriesDatabases.InSIGMODConference,1994,该文献通过引用全文结合于此。与动态时间规整距离相关的计算方法可以参考D.J.BerndtandJ.Clifford.Usingdynamictimewarpingtofindpatternsintimeseries.InKDDWorkshop,1994,该文献通过引用全文结合于此。
以下参照图6来描述根据本发明的一个实施例的选择参数的装置600的配置。此处的参数供时间序列预测所用。
如图6所示,装置600可以包括第一子已知时间序列提取单元602、第二子已知时间序列提取单元604、第三子已知时间序列提取单元606、参数集合预限定单元608、预测准确度计算单元610和参数集合选择单元612。
假设已知时间序列为X=x1,x2,……,xn,其中xi表示对应时间片i的值。要预测的目标时间序列为Tar=xk,xk+1,……,xk+m。其中,k≥n,m<<n。当根据已知时间序列X=x1,x2,……,xn预测目标时间序列Tar时将使用很多参数。在通过不同模型或算法进行预测时,所使用的参数可能不尽相同。
第一子已知时间序列提取单元602在已知时间序列X=x1,x2,……,xn中,提取最能指示目标时间序列Tar=xk,xk+1,……,xk+m的第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1。例如“最能指示”意味着,对于目标时间序列Tar来说,第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1具有最强的指示性作用。
第二子已知时间序列提取单元604可以在已知时间序列X=x1,x2,……,xn中,提取与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1最相似的多个第二子已知时间序列X2。
第三子已知时间序列提取单元606可以针对每个第二子已知时间序列X2,在已知时间序列X=x1,x2,……,xn中,提取第三子已知时间序列PTp作为测试数据。
第三子已知时间序列提取单元606可以提取的第三子已知时间序列PTp的长度与目标时间序列Tar=xk,xk+1,……,xk+m的长度相同,并且第三子已知时间序列PTp相对于第二子已知时间序列X2的位置关系与目标时间序列Tar=xk,xk+1,……,xk+m相对于第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1的位置关系相同。可以理解到,此处的位置关系可以指代两个时间序列之间的各种位置关系,例如,可以指代两个时间序列之间的间隔,也可以指代抽取每个时间序列中的各个元素的间隔,等等。
参数集合预限定单元608可以预先限定不同的多个参数集合Parq。以自动回归模型为例,可以预先限定参数p的范围,例如10<p<100。此处的参数集合Parq中仅包含一个参数p,但是可以理解到,取决于具体的预测模型或算法,参数集合Parq可以包括不止一个参数。
预测准确度计算单元610可以根据第三子已知时间序列PTp来计算多个参数集合Parq中的每个参数集合Parq的预测准确度Acc(Parq)。
参数集合选择单元612可以根据预测准确度Acc(Parq)从多个参数集合Parq中选择适当的参数集合Parq。
以下参照图7来描述根据本发明的另一个实施例的选择参数的装置700的配置。
如图7所示,装置700可以包括第一子已知时间序列提取单元702、第二子已知时间序列提取单元704、第三子已知时间序列提取单元706、参数集合预限定单元708、预测准确度计算单元710、参数集合选择单元712和第一相似度计算单元714。装置700和装置600的主要区别在于,装置700还包括第一相似度计算单元714,并且参数计算选择单元712在选择参数集合时,除了考虑到预测准确度计算单元710计算出的预测准确度之外,还考虑第一相似度计算单元714的计算结果,即考虑第一相似度。
此外,第一子已知时间序列提取单元702、第二子已知时间序列提取单元704、第三子已知时间序列提取单元706和参数集合预限定单元708和预测准确度计算单元710分别与参照图6描述的第一子已知时间序列提取单元602、第二子已知时间序列提取单元604、第三子已知时间序列提取单元606、参数集合预限定单元608和预测准确度计算单元610相同,为了简明起见,在此不再赘述。
第一相似度计算单元714可以计算第二子已知时间序列X2与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1之间的第一相似度Sim(X2,X1)。
参数集合选择单元712可以根据第一相似度计算单元714计算出的预测准确度Acc(Parq)和第一相似度计算单元714计算出的第一相似度Sim(X2,X1)从多个参数集合Parq中选择适当的参数集合Parq。
以下参照图8来描述根据本发明的又一个实施例的选择参数的装置800的配置。
如图8所示,装置800可以包括第一子已知时间序列提取单元802、第二子已知时间序列提取单元804、第三子已知时间序列提取单元806、参数集合预限定单元808、预测准确度计算单元810、参数集合选择单元812和第二相似度计算单元816。
装置800和装置600的主要区别在于,装置800还包括第二相似度计算单元816,并且参数集合选择单元812除了考虑预测准确度计算单元810的计算结果之外还考虑第二相似度计算单元816的计算结果。
第一子已知时间序列提取单元802、第二子已知时间序列提取单元804、第三子已知时间序列提取单元806、参数集合预限定单元808和预测准确度计算单元810分别与参照图6描述的第一子已知时间序列提取单元602、第二子已知时间序列提取单元604、第三子已知时间序列提取单元606、参数集合预限定单元608和预测准确度计算单元610相同,为了简明起见,在此不再赘述。
第二相似度计算单元816可以计算已知时间序列X中的第一训练数据TD(Parq,PTp)和第二训练数据TD(Parq,Tar)之间的第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。其中,第一训练数据TD(Parq,PTp)对应于每个参数集合Parq和第三子已知时间序列PTp,而第二训练数据TD(Parq,Tar)对应于每个参数集合Parq和目标时间序列Tar。
参数集合选择单元812可以根据预测准确度Acc(Parq)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))从多个参数集合Parq中选择适当的参数集合Parq。
以下参照图9来描述根据本发明的再一个实施例的选择参数的装置900的配置。
如图9所示,装置900可以包括第一子已知时间序列提取单元902、第二子已知时间序列提取单元904、第三子已知时间序列提取单元906、参数集合预限定单元908、预测准确度计算单元910、参数集合选择单元912、第一相似度计算单元914和第二相似度计算单元916。
装置900与装置800的主要区别在于,装置900还包括第一相似度计算单元914,并且参数集合选择单元912在选择参数集合时同时考虑了预测准确度计算单元910的计算结果、第一相似度计算单元914的计算结果以及第二相似度计算单元916的计算结果。
第一子已知时间序列提取单元902、第二子已知时间序列提取单元904、第三子已知时间序列提取单元906、参数集合预限定单元908和预测准确度计算单元910与参照图6描述的第一子已知时间序列提取单元602、第二子已知时间序列提取单元604、第三子已知时间序列提取单元606、参数集合预限定单元608和预测准确度计算单元610相同,为了简明起见,在此不再赘述。
第二相似度计算单元916计算已知时间序列X中的第一训练数据TD(Parq,PTp)和第二训练数据TD(Parq,Tar)之间的第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))。其中,第一训练数据TD(Parq,PTp)对应于每个参数集合Parq和第三子已知时间序列PTp),而第二训练数据TD(Parq,Tar)对应于每个参数集合Parq和目标时间序列Tar。
第一相似度计算单元914可以计算第二子已知时间序列X2与第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1之间的第一相似度Sim(X2,X1)。
参数集合选择单元912可以根据预测准确度Acc(Parq)、第一相似度Sim(X2,X1)和第二相似度Sim(TD(Parq,PTp),TD(Parq,Tar))从多个参数集合Parq中选择适当的参数集合Parq。
以下参照图10来描述第一子已知时间序列提取单元602的配置。
第一子已知时间序列提取单元602可以包括第四子已知时间序列提取子单元602-2、第三相似度计算子单元602-4、第四相似度计算子单元602-6、相关性计算子单元602-8、位置关系确定子单元602-10和第一子已知时间序列提取子单元602-12。
第四子已知时间序列提取子单元602-2可以从已知时间序列X提取多个第四子已知时间序列X4,其中第四子已知时间序列X4的长度与目标时间序列Tar的长度相同。
第三相似度计算子单元602-4可以计算每两个第四子已知时间序列X4之间的第三相似度Sim(X4)。
第四相似度计算子单元602-6可以多次计算每两个第五子已知时间序列X5之间的第四相似度Sim(X5),其中,第五子已知时间序列X5与第四子已知时间序列X4具有一定位置关系,并且在每次计算时使用的位置关系不同。
相关性计算子单元602-8可以计算第三相似度Sim(X4)和第四相似度Sim(X5)之间的相关性。
可以通过各种适当的方式来计算相关性。例如,可以参照如上所述的公式(3)来计算该相关性。为了简明起见,在此不再赘述。
位置关系确定子单元602-10可以确定与最强相关性对应的位置关系。
第一子已知时间序列提取子单元602-12可以提取相对于目标时间序列Tar有位置关系确定子单元602-10确定的位置关系的子已知时间序列作为第一子已知时间序列X1=xn-j,xn-j+1,……,xn-1。
在所提出的方法中,除了使用传统方法中的预测精确度之外,还可以考虑了数据同质性。在所提出的方法中,完美的参数集合应当满足以下要求中的一项至两项以上:第一,预测式集合应当类似于目标时间序列;第二,所选择的训练数据应当类似于为真实测试选择的数据;第三,预测精确度应当高。通过利用所提出的方法,可以减小预测误差。整个过程可以是自动的,这使得易于在不同的领域中应用。
以上结合具体实施例描述了本发明的基本原理,但是,需要指出的是,对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
在通过软件和/或固件实现本发明的实施例的情况下,从存储介质或网络向具有专用硬件结构的计算机,例如图11所示的通用计算机1100安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等等。
在图11中,中央处理单元(CPU)1101根据只读存储器(ROM)1102中存储的程序或从存储部分1108加载到随机存取存储器(RAM)1103的程序执行各种处理。在RAM1103中,也根据需要存储当CPU1101执行各种处理等等时所需的数据。CPU1101、ROM1102和RAM1103经由总线1104彼此链路。输入/输出接口1105也链路到总线1104。
下述部件链路到输入/输出接口1105:输入部分1106(包括键盘、鼠标等等)、输出部分1107(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分1108(包括硬盘等)、通信部分1109(包括网络接口卡比如LAN卡、调制解调器等)。通信部分1109经由网络比如因特网执行通信处理。根据需要,驱动器1110也可链路到输入/输出接口1105。可拆卸介质1111比如磁盘、光盘、磁光盘、半导体存储器等等根据需要被安装在驱动器1110上,使得从中读出的计算机程序根据需要被安装到存储部分1108中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质1111安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图11所示的其中存储有程序、与设备相分离地分发以向用户提供程序的可拆卸介质1111。可拆卸介质1111的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM1102、存储部分1108中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
本发明还提出一种存储有机器可读取的指令代码的程序产品。指令代码由机器读取并执行时,可执行上述根据本发明实施例的方法。
相应地,用于承载上述存储有机器可读取的指令代码的程序产品的存储介质也包括在本发明的公开中。存储介质包括但不限于软盘、光盘、磁光盘、存储卡、存储棒等。
本领域的普通技术人员应理解,在此所例举的是示例性的,本发明并不局限于此。
在本说明书中,“第一”、“第二”以及“第N个”等表述是为了将所描述的特征在文字上区分开,以清楚地描述本发明。因此,不应将其视为具有任何限定性的含义。
作为一个示例,上述方法的各个步骤以及上述设备的各个组成模块和/或单元可以实施为软件、固件、硬件或其组合,并作为相应设备中的一部分。上述装置中各个组成模块、单元通过软件、固件、硬件或其组合的方式进行配置时可使用的具体手段或方式为本领域技术人员所熟知,在此不再赘述。
作为一个示例,在通过软件或固件实现的情况下,可以从存储介质或网络向具有专用硬件结构的计算机(例如图11所示的通用计算机1100)安装构成该软件的程序,该计算机在安装有各种程序时,能够执行各种功能等。
在上面对本发明具体实施例的描述中,针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其他实施方式中使用,与其他实施方式中的特征相组合,或替代其他实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其他特征、要素、步骤或组件的存在或附加。
此外,本发明的方法不限于按照说明书中描述的时间顺序来执行,也可以按照其他的时间顺序地、并行地或独立地执行。因此,本说明书中描述的方法的执行顺序不对本发明的技术范围构成限制。
本发明及其优点,但是应当理解在不超出由所附的权利要求所限定的本发明的精神和范围的情况下可以进行各种改变、替代和变换。而且,本发明的范围不仅限于说明书所描述的过程、设备、手段、方法和步骤的具体实施例。本领域内的普通技术人员从本发明的公开内容将容易理解,根据本发明可以使用执行与在此的相应实施例基本相同的功能或者获得与其基本相同的结果的、现有和将来要被开发的过程、设备、手段、方法或者步骤。因此,所附的权利要求旨在在它们的范围内包括这样的过程、设备、手段、方法或者步骤。
关于以上实施例的实施方式,还公开以下附记。
附记1.一种选择参数的方法,其中当根据已知时间序列预测目标时间序列时使用所述参数,所述方法包括:
在所述已知时间序列中,提取最能指示所述目标时间序列的第一子已知时间序列;
在所述已知时间序列中,提取与所述第一子已知时间序列最相似的多个第二子已知时间序列;
针对每个所述第二子已知时间序列,在所述已知时间序列中,提取第三子已知时间序列作为测试数据,所述第三子已知时间序列的长度与所述目标时间序列的长度相同,并且所述第三子已知时间序列相对于所述第二子已知时间序列的位置关系与所述目标时间序列相对于所述第一子已知时间序列的位置关系相同;
预先限定不同的多个参数集合;
根据第三子已知时间序列来计算所述多个参数集合中的每个参数集合的预测准确度;
根据所述准确度从所述多个参数集合中选择适当的参数集合。
附记2.根据附记1所述的方法,还包括:
计算所述第二子已知时间序列与所述第一子已知时间序列之间的所述第一相似度;
其中,根据所述准确度和所述第一相似度从所述多个参数集合中选择适当的参数集合。
附记3.根据附记1所述的方法,还包括:
计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;
其中,根据所述准确度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
附记4.根据附记1所述的方法,还包括:
计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;以及
计算所述第二子已知时间序列与所述第一子已知时间序列之间的所述第一相似度;
其中,根据所述准确度、所述第一相似度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
附记5.根据附记1至4中任一项所述的方法,其中,所述提取最能指示所述目标时间序列的第一子已知时间序列的步骤包括:
从所述已知时间序列提取多个第四子已知时间序列,其中所述第四子已知时间序列的长度与所述目标时间序列的长度相同;
计算每两个所述第四子已知时间序列之间的第三相似度;
多次计算每两个第五子已知时间序列之间的第四相似度,其中,所述第五子已知时间序列与所述第四子已知时间序列具有一定位置关系,并且在每次计算时使用的位置关系不同;
计算所述第三相似度和所述第四相似度之间的相关性;
确定与最强相关性对应的位置关系;以及
提取相对于所述目标时间序列有所述位置关系的子已知时间序列作为所述第一子已知时间序列。
附记6.一种选择参数的装置,其中当根据已知时间序列预测目标时间序列时使用所述参数,所述装置包括:
第一子已知时间序列提取单元,被配置为在所述已知时间序列中,提取最能指示所述目标时间序列的第一子已知时间序列;
第二子已知时间序列提取单元,被配置为在所述已知时间序列中,提取与所述第一子已知时间序列最相似的多个第二子已知时间序列;
第三子已知时间序列提取单元,被配置为针对每个所述第二子已知时间序列,在所述已知时间序列中,提取第三子已知时间序列作为测试数据,所述第三子已知时间序列的长度与所述目标时间序列的长度相同,并且所述第三子已知时间序列相对于所述第二子已知时间序列的位置关系与所述目标时间序列相对于所述第一子已知时间序列的位置关系相同;
参数集合预限定单元,被配置为预限定不同的多个参数集合;
预测准确度计算单元,被配置为根据第三子已知时间序列来计算所述多个参数集合中的每个参数集合的预测准确度;
参数集合选择单元,被配置为根据所述预测准确度从所述多个参数集合中选择适当的参数集合。
附记7.根据附记6所述的装置,还包括:
第一相似度计算单元,被配置为计算所述第二子已知时间序列与所述第一子已知时间序列之间的所述第一相似度;
其中,所述参数集合选择单元被配置为根据所述预测准确度和所述第一相似度从所述多个参数集合中选择适当的参数集合。
附记8.根据附记6所述的装置,还包括:
第二相似度计算单元,被配置为计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;
其中,所述参数集合选择单元被配置为根据所述预测准确度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
附记9.根据附记6所述的装置,还包括:
第二相似度计算单元,被配置为计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;以及
第一相似度计算单元,被配置为计算所述第二子已知时间序列与所述第一子已知时间序列之间的所述第一相似度;
其中,所述参数集合选择单元被配置为根据所述预测准确度、所述第一相似度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
附记10.根据附记6至9中任一项所述的装置,其中,所述第一子已知时间序列提取单元包括:
第四子已知时间序列提取子单元,被配置为从所述已知时间序列提取多个第四子已知时间序列,其中所述第四子已知时间序列的长度与所述目标时间序列的长度相同;
第三相似度计算子单元,被配置为计算每两个所述第四子已知时间序列之间的第三相似度;
第四相似度计算子单元,被配置为多次计算每两个第五子已知时间序列之间的第四相似度,其中,所述第五子已知时间序列与所述第四子已知时间序列具有一定位置关系,并且在每次计算时使用的位置关系不同;
相关性计算子单元,被配置为计算所述第三相似度和所述第四相似度之间的相关性;
位置关系确定子单元,被配置为确定与最强相关性对应的位置关系;以及
第一子已知时间序列提取子单元,被配置为提取相对于所述目标时间序列有所述位置关系的子已知时间序列作为所述第一子已知时间序列。
附记11.一种存储有机器可读取的指令代码的程序产品,所述指令代码由机器读取并执行时,可执行如附记1-5中任一项所述的选择参数的方法。
附记12.一种承载有如附记11所述的程序产品的存储介质。
Claims (10)
1.一种选择参数的方法,其中当根据已知时间序列预测目标时间序列时使用所述参数,所述方法包括:
在所述已知时间序列中,提取最能指示所述目标时间序列的第一子已知时间序列;
在所述已知时间序列中,提取与所述第一子已知时间序列最相似的多个第二子已知时间序列;
针对每个所述第二子已知时间序列,在所述已知时间序列中,提取第三子已知时间序列作为测试数据,所述第三子已知时间序列的长度与所述目标时间序列的长度相同,并且所述第三子已知时间序列相对于所述第二子已知时间序列的位置关系与所述目标时间序列相对于所述第一子已知时间序列的位置关系相同;
预先限定不同的多个参数集合;
根据第三子已知时间序列来计算所述多个参数集合中的每个参数集合的预测准确度;
根据所述预测准确度从所述多个参数集合中选择适当的参数集合。
2.根据权利要求1所述的方法,还包括:
计算所述第二子已知时间序列与所述第一子已知时间序列之间的第一相似度;
其中,根据所述预测准确度和所述第一相似度从所述多个参数集合中选择适当的参数集合。
3.根据权利要求1所述的方法,还包括:
计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;
其中,根据所述预测准确度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
4.根据权利要求1所述的方法,还包括:
计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;以及
计算所述第二子已知时间序列与所述第一子已知时间序列之间的第一相似度;
其中,根据所述预测准确度、所述第一相似度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
5.根据权利要求1至4中任一项所述的方法,其中,所述提取最能指示所述目标时间序列的第一子已知时间序列的步骤包括:
从所述已知时间序列提取多个第四子已知时间序列,其中所述第四子已知时间序列的长度与所述目标时间序列的长度相同;
计算每两个所述第四子已知时间序列之间的第三相似度;
多次计算每两个第五子已知时间序列之间的第四相似度,其中,所述第五子已知时间序列与所述第四子已知时间序列具有一定位置关系,并且在每次计算时使用的位置关系不同;
计算所述第三相似度和所述第四相似度之间的相关性;
确定与最强相关性对应的位置关系;以及
提取相对于所述目标时间序列有所述位置关系的子已知时间序列作为所述第一子已知时间序列。
6.一种选择参数的装置,其中当根据已知时间序列预测目标时间序列时使用所述参数,所述装置包括:
第一子已知时间序列提取单元,被配置为在所述已知时间序列中,提取最能指示所述目标时间序列的第一子已知时间序列;
第二子已知时间序列提取单元,被配置为在所述已知时间序列中,提取与所述第一子已知时间序列最相似的多个第二子已知时间序列;
第三子已知时间序列提取单元,被配置为针对每个所述第二子已知时间序列,在所述已知时间序列中,提取第三子已知时间序列作为测试数据,所述第三子已知时间序列的长度与所述目标时间序列的长度相同,并且所述第三子已知时间序列相对于所述第二子已知时间序列的位置关系与所述目标时间序列相对于所述第一子已知时间序列的位置关系相同;
参数集合预限定单元,被配置为预限定不同的多个参数集合;
预测准确度计算单元,被配置为根据第三子已知时间序列来计算所述多个参数集合中的每个参数集合的预测准确度;
参数集合选择单元,被配置为根据所述预测准确度从所述多个参数集合中选择适当的参数集合。
7.根据权利要求6所述的装置,还包括:
第一相似度计算单元,被配置为计算所述第二子已知时间序列与所述第一子已知时间序列之间的第一相似度;
其中,所述参数集合选择单元被配置为根据所述预测准确度和所述第一相似度从所述多个参数集合中选择适当的参数集合。
8.根据权利要求6所述的装置,还包括:
第二相似度计算单元,被配置为计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;
其中,所述参数集合选择单元被配置为根据所述预测准确度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
9.根据权利要求6所述的装置,还包括:
第二相似度计算单元,被配置为计算所述已知时间序列中的第一训练数据和第二训练数据之间的第二相似度,其中,所述第一训练数据对应于每个所述参数集合和第三子已知时间序列,而所述第二训练数据对应于每个所述参数集合和所述目标时间序列;以及
第一相似度计算单元,被配置为计算所述第二子已知时间序列与所述第一子已知时间序列之间的第一相似度;
其中,所述参数集合选择单元被配置为根据所述预测准确度、所述第一相似度和所述第二相似度从所述多个参数集合中选择适当的参数集合。
10.根据权利要求6至9中任一项所述的装置,其中,所述第一子已知时间序列提取单元包括:
第四子已知时间序列提取子单元,被配置为从所述已知时间序列提取多个第四子已知时间序列,其中所述第四子已知时间序列的长度与所述目标时间序列的长度相同;
第三相似度计算子单元,被配置为计算每两个所述第四子已知时间序列之间的第三相似度;
第四相似度计算子单元,被配置为多次计算每两个第五子已知时间序列之间的第四相似度,其中,所述第五子已知时间序列与所述第四子已知时间序列具有一定位置关系,并且在每次计算时使用的位置关系不同;
相关性计算子单元,被配置为计算所述第三相似度和所述第四相似度之间的相关性;
位置关系确定子单元,被配置为确定与最强相关性对应的位置关系;以及
第一子已知时间序列提取子单元,被配置为提取相对于所述目标时间序列有所述位置关系的子已知时间序列作为所述第一子已知时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210122746.0A CN103377298B (zh) | 2012-04-24 | 2012-04-24 | 选择参数的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210122746.0A CN103377298B (zh) | 2012-04-24 | 2012-04-24 | 选择参数的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103377298A CN103377298A (zh) | 2013-10-30 |
CN103377298B true CN103377298B (zh) | 2016-08-03 |
Family
ID=49462405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210122746.0A Expired - Fee Related CN103377298B (zh) | 2012-04-24 | 2012-04-24 | 选择参数的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103377298B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447003B (zh) * | 2014-08-07 | 2019-03-08 | 阿里巴巴集团控股有限公司 | 一种参数集合生成方法及设备 |
CN110766054B (zh) * | 2019-09-23 | 2022-05-10 | 东软集团股份有限公司 | 一种压裂砂堵的预警方法、装置、存储介质及设备 |
CN111352098B (zh) * | 2020-02-21 | 2021-11-19 | 奥比中光科技集团股份有限公司 | 一种ToF相机的温漂标定的方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009002397A1 (de) * | 2009-04-15 | 2010-10-21 | Biotronik Crm Patent Ag | Herzmonitor |
-
2012
- 2012-04-24 CN CN201210122746.0A patent/CN103377298B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN102025531A (zh) * | 2010-08-16 | 2011-04-20 | 北京亿阳信通软件研究院有限公司 | 一种性能数据的填补方法及其装置 |
Non-Patent Citations (2)
Title |
---|
变参数混沌时间序列的神经网络预测研究;王永生 等;《物理学报》;20081031;第57卷(第10期);第6120-6130页 * |
基于非参数回归的路网短时交通状态预测;马毅林;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080815(第8期);第C034-336页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103377298A (zh) | 2013-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
Xu et al. | A decision support system for product design in concurrent engineering | |
Kobayashi | A systematic approach to eco-innovative product design based on life cycle planning | |
LoVerde et al. | Effects of scale-dependent non-Gaussianity on cosmological structures | |
Kilbinger et al. | Bayesian model comparison in cosmology with Population Monte Carlo | |
Nesseris et al. | A model-independent null test on the cosmological constant | |
Scrucca et al. | Uncertainty in LCA: An estimation of practitioner-related effects | |
Zhang et al. | Classification and regression with random forests as a standard method for presence-only data SDMs: a future conservation example using China tree species | |
Li et al. | An extended grey forecasting model for omnidirectional forecasting considering data gap difference | |
CN103377298B (zh) | 选择参数的方法和装置 | |
Ghanbari et al. | Solving bus terminal location problems using evolutionary algorithms | |
Ray et al. | Facility location selection using complete and partial ranking MCDM methods | |
CN102831129B (zh) | 一种基于多示例学习的检索方法及系统 | |
Dwivedi et al. | Application of Shannon entropy and CoCoSo methods in selection of the most appropriate engineering sustainability components | |
Kalbar et al. | Advancing life cycle sustainability assessment using multiple criteria decision making | |
CN102656581B (zh) | 信息处理设备、信息处理方法和存储介质 | |
CN102999539B (zh) | 预测给定话题的未来发展趋势的方法和装置 | |
CN103729530A (zh) | 对序列进行处理的装置和方法 | |
CN105630739A (zh) | 用于执行随机梯度下降的装置和方法 | |
Allanach et al. | Sampling using a ‘bank’of clues | |
US20080071741A1 (en) | Method and an apparatus to perform feature weighted search and recommendation | |
CN103729528A (zh) | 对序列进行处理的装置和方法 | |
CN108021985A (zh) | 一种模型参数训练方法及装置 | |
Tsaur et al. | Tourism demand forecasting using a novel high-precision fuzzy time series model | |
Granqvist et al. | BaSAR—A tool in R for frequency detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160803 Termination date: 20180424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |