CN103428733B - 一种预测方法和装置 - Google Patents
一种预测方法和装置 Download PDFInfo
- Publication number
- CN103428733B CN103428733B CN201310296150.7A CN201310296150A CN103428733B CN 103428733 B CN103428733 B CN 103428733B CN 201310296150 A CN201310296150 A CN 201310296150A CN 103428733 B CN103428733 B CN 103428733B
- Authority
- CN
- China
- Prior art keywords
- state
- prediction
- variation rate
- duration
- rate
- 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.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种预测方法和装置,在当前预测时刻,根据上一预测时刻预测出的第二状态的先验估计值和当前预测时刻该预测对象的第二状态观测值,确定该第二状态的后验估计值;根据上一预测时刻的第一状态观测值、该第二状态观测值、该上一预测时刻与当前预测时刻的第一时长以及第二状态变化率的先验估计值,确定第二状态变化率的后验估计值;根据该第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,对预测对象在该下一预测时刻的第三状态进行预测。在预测过程中综合了状态和状态变化率两个维度的分析,从而提高了对预测对象的状态预测的准确度以及可靠性。
Description
技术领域
本发明涉及滤波预测技术领域,尤其涉及一种预测方法和装置。
背景技术
滤波预测技术也称预测滤波技术,是利用滤波算法并基于系统的历史状态数据对下一时刻的状态进行估计的方法。滤波预测技术已经被广泛应用于各个领域,如,在无线网络系统中,可以利用滤波预测技术对传输带宽、在线用户数以及CPU占用率等进行预测。
目前在对实时性要求较高的系统进行预测时,一般采用运算量较小的阿尔法滤波来进行系统的状态预测。阿尔法滤波预测算法一般是利用上一预测周期得到系统状态的先验估计值和本次预测周期内的状态观测值,计算系统状态的后验估计值,将该系统状态的后验估计值作为下一预测周期的预测值。阿尔法滤波预测方法虽然具有计算量较小的优点,但是对系统趋势预测的准确度较低,特别是当系统的状态出现突发波动的场景下,很难对系统的状态进行及时跟进,无偏差性较差。
发明内容
有鉴于此,本发明提供一种预测方法和装置,以提高对系统状态预测的准确度。
为解决以上问题,本发明的第一方面提供了一种预测方法,包括:
获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的所述预测对象在当前预测时刻的第二状态的先验估计值和所述预测对象在第一时长内的第二状态变化率的先验估计值,其中,所述第一时长为所述上一预测时刻到所述当前预测时刻的时长;
依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状 态观测值,确定所述第二状态的后验估计值;
根据所述第一状态观测值、所述第二状态观测值以及所述第一时长,计算所述第二状态变化率的观测值;
依据所述第二状态变化率的先验估计值和所述第二状态变化率的观测值,确定所述第二状态变化率的后验估计值;
根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及所述当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值。
结合第一方面,在第一种可能的实现方式中,所述依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值,包括:
结合预设的状态权重系数,对所述第二状态的先验估计值以及当前预测时刻所述预测对象的第二状态观测值进行加权平均,得到所述第二状态的后验估计值;
相应的,所述依据所述第一状态变化率的先验估计值和第二状态变化率的观测值,确定所述第二状态变化率的后验估计值,包括:
结合预设的状态变化率权重系数,对所述第二状态变化率的先验估计值和所述第二状态变化率的观测值进行加权平均,得到所述第二状态变化率的后验估计值。
结合第一方面或者第一方面的第一种可能的实现方式,在第二种可能的实现方式中,所述根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及所述当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值,包括:
计算所述第二状态变化率的后验估计值与所述第二时长的乘积,得到所述预测对象在所述第二时长内的状态变化量;
将所述第二状态的后验估计值与所述状态变化量求和,得到所述预测对象在所述下一预测时刻的第三状态的先验估计值,将所述第三状态的先验估计值作为所述预测对象在所述下一预测时刻的第三状态预测值。
结合第一方面,在第三种可能的实现方式中,当所述上一预测时刻为第一次对所述预测对象的状态进行预测的时刻时,所述预测对象在当前预测时刻的第二状态的先验估计值通过如下方式确定:
根据所述第一状态观测值、所述上一预测时刻之前最近一次获取到的所述预测对象的初始状态观测值以及获取到所述初始状态观测值的时刻距离所述上一预测时刻的第三时长,计算所述预测对象在所述第三时长内的初始状态变化率;
利用所述第一状态观测值、所述初始状态变化率以及所述第一时长,计算所述第二状态的先验估计值;
所述预测对象在所述第一时长内的第二状态变化率的先验估计值通过如下方式确定:
将所述初始状态变化率作为所述预测对象在所述第一时长内的第二状态变化率的先验估计值。
结合第一方面,在第四种可能的实现方式中,所述方法还包括:
保存所述第二状态观测值,并将所述第三状态预测值作为所述预测对象在所述下一预测时刻的第三状态的先验估计值进行保存,将所述第二状态变化率的后验估计值作为所述预测对象在所述下一预测时刻的第三状态变化率的先验估计值进行保存。
本发明的第二方面提供了一种预测装置,包括:
历史数据获取单元,用于获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的所述预测对象在当前预测时刻的第二状态的先验估计值和所述预测对象在第一时长内的第二状态变化率的先验估计值,其中,所述第一时长为所述上一预测时刻到所述当前预测时刻的时长;
第一后验估计单元,用于依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值;
状态变化率确定单元,用于根据所述第一状态观测值、所述第二状态观测值以及所述第一时长,计算所述第二状态变化率的观测值;
第二后验估计单元,用于依据所述第二状态变化率的先验估计值和所述 第二状态变化率的观测值,确定所述第二状态变化率的后验估计值;
状态预测单元,用于根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值。
结合第二方面,在第一种可能的实现方式中,所述第一后验估计单元,包括:
第一后验估计子单元,用于结合预设的状态权重系数,对所述第二状态的先验估计值以及当前预测时刻所述预测对象的第二状态观测值进行加权平均,得到所述第二状态的后验估计值;
相应的,所述第二后验估计单元,包括:
第二后验估计子单元,用于结合预设的状态变化率权重系数,对所述第二状态变化率的先验估计值和所述第二状态变化率的观测值进行加权平均,得到所述第二状态变化率的后验估计值。
结合第二方面或者第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述状态预测单元,包括:
状态变化量确定单元,用于计算所述第二状态变化率的后验估计值与所述第二时长乘积,得到所述预测对象在所述第二时长内的状态变化量;
状态预测子单元,用于将所述第二状态的后验估计值与所述状态变化量求和,得到所述预测对象在所述下一预测时刻的第三状态的先验估计值,将所述第三状态的先验估计值作为预测出的所述下一预测时刻的第三状态预测值。
结合第二方面,在第三种可能的实现方式中,当所述上一预测时刻为第一次对所述预测对象的状态进行预测的时刻时,所述装置还包括:
第一初始化单元,用于根据所述上一预测时刻之前最近一次获取到的初始状态观测值、所述第一状态观测值以及获取到所述初始状态观测值的时刻距离所述上一预测时刻的第三时长,计算所述预测对象在所述第三时长内的初始状态变化率;
第二初始化单元,用于利用所述第一状态观测值、所述初始状态变化率 以及所述第一时长,计算所述第二状态的先验估计值;
第三初始化单元,用于将所述第一初始化单元得到的所述初始状态变化率作为所述预测对象在所述第一时长内的第二状态变化率的先验估计值。
结合第二方面,在第四种可能的实现方式中,所述装置还包括:
状态数据存储单元,用于保存所述第二状态观测值,并将所述第三状态预测值作为所述预测对象在所述下一预测时刻的第三状态的先验估计值进行保存,将所述第二状态变化率的后验估计值作为所述预测对象在所述下一预测时刻的第三状态变化率的先验估计值进行保存。
从上述的技术方案可以看出,本发明在预测过程中,综合了状态和状态变化率两个维度的分析预测,从而提高了对预测对象的状态预测的准确度。同时由于增加了对状态变化率的分析,因此预测对象的状态的突发变化也能够在状态变化率中有所体现,从而对于状态突发变化的情况,也能够及时跟进,提高了预测的可靠性。
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的介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明一种预测方法一个实施例的流程示意图;
图2示出了本发明一种预测方法另一个实施例的流程示意图;
图3示出了本发明一种预测装置一个实施例的结构示意图;
图4示出了本发明一种计算节点一个实施例的结构示意图。
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做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。
本发明实施例公开了一种预测方法,以提高对预测对象的状态预测的准确度。
参见图1,示出了本发明一种预测方法的一个实施例的流程示意图,本实施例的方法可以应用于无线网络系统、通讯与信号处理系统等对实时性要求较高的系统中,用于在无线网络、通讯与信号处理等系统中,对于待预测的预测对象进行状态预测。本实施例的方法可以包括:
步骤101:获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的该预测对象在当前预测时刻的第二状态的先验估计值和该预测对象在第一时长内的第二状态变化率的先验估计值。
该第一时长为上一预测时刻到当前预测时刻的时长。该上一预测时刻是相对当前预测时刻而言,也就是在当前时刻之前的最近一次预测时刻。
其中,在本申请实施中状态观测值是指对状态的实际测量值。如,第一状态观测值为在本次预测之前最近一次预测时刻即该上一次预测时刻,该预测对象的状态的实际测量值。
状态的先验估计值是指利用历史状态对状态的估计值。在上一次预测中预测出该预测对象在本次预测的状态估计值,即为预测对象在当前时刻的状态的先验估计值。为了便于区分,将本次预测时刻该预测对象的状态称为第二状态,相应的,将上一预测时刻预测出的该预测对象在当前时刻的状态的先验估计值称为第二状态的先验估计值。
在本申请实施例中,在每个预测时刻,均需要获取两个维度信息,即预测对象的状态,以及在两次预测时间间隔内该预测对象的状态的变化率。因此,为了在当前预测时刻预测出预测对象在下一预测时刻的状态,除了获取在该上一预测时刻预测出的状态的先验估计值,还需要获取上一预测时刻预测出的该预测对象在该上一预测时刻到本次预测时刻之间两次的状态变化 率,即第二状态变化率的先验估计值。
其中,该预测对象为系统中需要进行状态预测的目标对象,而预测对象的状态也就是需要该预测对象需要分析的。如,在无线网络中,该预测对象可以为无线网络系统中的在线用户数量状况、传输带宽状况等,相应的,预测对象的状态可以为无线网络系统中在线用户的数量值,以及传输带宽值等。例如,在无线网络系统中需要对在线用户数量进行预测,那么在预测对象也就是该无线网络系统中的在线用户数量,该预测对象的状态观测值也就是在当前时刻在线用户的实际数量值;预测对象的状态先验估计值为上一预测时刻预测出在无线网络系统中当前时刻的在线用户数量的估计值;而预测对象在该第一时长内的状态变化率的先验估计值,也就是上一预测时刻预测出的在该第一时长内在线用户数量的变化率。
步骤102:依据该第二状态的先验估计值和当前预测时刻该预测对象的第二状态观测值,确定第二状态的后验估计值。
为了确定第二状态的后验估计值,需要获取当前预测时刻该预测对象的状态实际测量值,即第二状态观测值。然后,结合该状态权重系数,并利用该第二状态观测值对第二状态的先验估计值进行修正,修正后的第二状态的估计值即为第二状态的后验估计值。
其中,利用状态的观测值对状态的先验估计值进行修正,以确定状态的后验估计值的方式可以为现有的计算后验估计的方式。
步骤103:根据该第一状态观测值、第二状态观测值以及第一时长,计算第二状态变化率的观测值。
由上一预测时刻测出的该预测对象第一状态观测值、当前预测时刻测出的该预测对象的第二状态观测值,以及上一预测时刻与当前预测时刻的第一时长,便可以计算出该预测对象在该第一时长内的状态变化率的实际值,即第二状态变化率的观测值。在该第一时长内,认为该预测对象的状态变化为匀速变化,当然也可以理解为该第二状态变化率的观测值为在第一时长内的平均状态变化率的实际值。具体计算过程为:计算该第二状态观测值与第一状态观测值的差,并用该差除以该第一时长得到的结果即为该第二状态变化率的观测值。
其中,由于第二状态观测值与第一状态观测值的大小关系可能有两种情况,相应的,该第二状态变化率的观测值可以为正值或者是负值。
步骤104:依据该第二状态变化率的先验估计值和该第二状态变化率的观测值,确定该第二状态变化率的后验估计值。
该步骤确定第二状态变化率的后验估计值的过程与步骤102中确定第二状态的后验估计值的计算过程类似,在此不再赘述。
当然,该第二状态变化率的后验估计值也可以是正值或者负值。
步骤105:根据该第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出该预测对象在该下一预测时刻的第三状态预测值。
根据该第二状态的后验估计值、第二状态变化率的后验估计值以及当前时刻距离下一预测时刻的第二时长,估计该预测对象在该下一预测时刻的第三状态的先验估计值,该第三状态的先验估计值即为预测出的该预测对象在该下一预测时刻的第三状态的预测值。
由以上描述可知,在本申请实施例实际上是将待预测的预测对象在不同时刻的状态变化抽象为线性运动模型,在运动模型中包含了位置和速度两个维度。在实际应用中,在对预测对象的状态进行预测的过程中,则将预测对象在不同时刻的状态作为运动模型中的位置信息,而将不同时间间隔内的状态变化率作为运动模型中的速度信息,进而在对预测对象的状态分析过程中,综合了预测对象的状态变化以及状态变化率两个维度,从而有利于准确定位预测对象在下一时刻的状态。
同时,由确定状态的后验估计值以及确定状态变化率的后验估计值的过程可知,对状态以及状态变化率这两个维度计算过程相互独立。因此,本申请实施例中虽然与卡尔曼滤波一样都引入了运动模型,但是在本申请中由于状态和状态变化率两个维度的计算相互独立,从而无需引入协方差计算,也无需大量的矩阵运算,计算过程相对简单,对内存占用少,能够满足对实时性要求较高的系统的预测。
与现有的阿尔法滤波相比,本申请实施例除了根据预测对象在上一预测时刻的第一状态观测值以及上一预测时刻预测出的该预测对象在当前预测时刻的第二状态的先验估计值,确定出该第二状态的后验估计值之外,还需要根据该第一状态观测值和当前预测时刻获取的第二状态观测值,计算该第一时长内的第二状态变化率的观测值,并根据上一预测时刻预测出第二状态变化率的先验估计值以及该第二状态变化率的观测值,计算该第二状态变化率的后验估计值,进而根据该第二状态的后验估计值和第二状态变化率的后验估计值来确定预测对象在下一预测时刻的第三状态预测值。由于在预测过程中,综合了状态和状态变化率两个维度的分析预测,从而提高了对预测对象的状态预测的准确度。
同时,由于增加了对状态变化率的分析,预测对象的状态的突发变化也能够在状态变化率中有所体现,从而对于状态突发变化的情况,也能够及时跟进,提高了预测的可靠性。
可以理解的是,为了进一步提高预测准确度,在实际预测过程中可以是按照固定的预测周期进行状态预测,也就是说各个预测时刻之间的间隔相同。可选的,当本申请实施例采用预设的固定预测周期进行预测时,该上一预测时刻距离当前预测时刻的第一时长,与当前预测时刻到下一预测时刻的第二时长相同。
在以上实施例中,将预测对象的状态变化抽象为线性运动模型,而在时间的离散周期足够短时,任何运动模型都可以是无限逼近常速度运动。可选的,预测该预测对象在下一预测时刻的第三状态的预测值时,可以认为当前预测时刻至下一预测时刻的第二时长内,该预测对象的状态变化率恒定,进而可以根据该第二状态变化率的后验估计值,可以计算出预测对象在该第二时长内的状态变化量。其中,该状态变化量可能为正值或负值。具体的,该预测对象在该第二时长内的状态变化量为:该第二状态变化率的后验估计值与该第二时长的乘积。
利用预测对象的第二状态的后验估计值加上该第二时长内的状态变化量,便可以推测出在下一预测时刻该预测对象的第三状态。即,将第二状态的后验估计值与该状态变化量的和作为预测对象在下一预测时刻的第三状态的先验估计值,而该第三状态的先验估计值也就是预测对象在下一预测时刻的第三状态预测值。
参见图2,示出了本发明一种预测方法的另一个实施例的流程示意图,本实施例的方法同样可以应用于无线网络系统、通讯与信号处理系统中,对预测对象的状态预测,本实施例的方法可以包括:
步骤201:获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的该预测对象在当前预测时刻的第二状态的先验估计值和该预测对象在第一时长内的第二状态变化率的先验估计值。
该第一时长为上一预测时刻到当前预测时刻的时长。
该步骤可以参照前面实施例的相关介绍,在此不再赘述。
步骤202:结合预设的状态权重系数,对第二状态的先验估计值以及当前预测时刻该预测对象的第二状态观测值进行加权平均,得到该第二状态的后验估计值。
其中,该状态权重系数可以根据实际需要确定,对于不同的系统所需设定的权重系数的值也会有所差异。对于第二状态观测值和第二状态的先验估计值两者的权重比例可以根据实际需要设定。
可选的,该预设的状态权重系数应该是大于零小于一。具体的,可以设定两个状态权重系数,这两个状态权重系数之和为一。其中一个状态权重系数与该第二状态的先验估计值相乘,另一个状态权重系数可以与该第二状态观测值相乘,然后将得到的两个乘积相加即得到该第二状态的后验估计值。
当然,也可以是仅仅设置一个与该第二状态观测值对应的状态权重系数,则该第二状态的先验估计值所对应的权重为数字一与该设定状态权重系数的差值。
如,假设上一预测时刻所进行的预测为系统第m-1次对预测对象的状态 预测,当前预测时刻所进行的预测为系统第m次对预测对象的状态预测,其中M大于等于2。假设预设的状态权重系数为f1,0<f1<1,将在第m-1次预测中预测出的预测对象在该第m次预测中的状态的先验估计值,即该第二状态的先验估计值记为X(m|1,2······m-1),并将当前时刻的第二状态观测值即为Z(m),将该第二状态的后验估计值记为X(m|1,2······m),则:X(m|1,2······m)=f1*X(m|1,2······m-1)+(1-f1)*Z(m)(公式一)
通过如上公式一对第二状态的先验估计值和第二状态观测值进行加权平均,便可以计算出该第二状态的后验估计值。
步骤203:根据该第一状态观测值、第二状态观测值以及第一时长,计算该第二状态变化率的观测值。
步骤204:结合预设的状态变化率权重系数,对该第二状态变化率的先验估计值和第二状态变化率的观测值进行加权平均,得到该第二状态变化率的后验估计值。
其中,该预设的状态变化率权重系数可以根据实际需要设定,对于不同的系统所需设定的权重系数的值也会有所差异。对于第二状态变化率的观测值和第二状态变化率的先验估计值这两者所占的权重比例可以根据实际需要设定。
可选的,设定的状态变化率权重系数也为大于零小于一的值。与状态权重系数的设定类似,也可以设定两个状态变化率权重系数,一个状态变化率权重系数与该第二状态变化率的先验估计值相乘,另一个状态变化率权重系数可以与该第二状态变化率的观测值相乘,然后将得到的两个乘积相加即得到该第二状态变化率的后验估计值。其中,这两个状态变化率权重系数之和为一。
当然,也可以是仅仅设置一个与该第二状态变化率的观测值对应的状态权重系数,则该第二状态变化率的先验估计值所对应的权重为数字一与设定的该状态变化率权重系数的差值。
如,仍假设上一预测时刻所进行的预测为系统第m-1次对预测对象的状态预测,当前预测时刻所进行的预测为系统第m次对预测对象的状态预测。 假设预设的状态变化率权重系数为f2,0<f2<1,将在第m-1次预测中预测出的预测对象在该第m次预测中的状态变化率的先验估计值,即该第二状态变化率的先验估计值记为V(m|1,2·····m-1),将上一预测时刻该预测对象的第一状态观测值记为Z(m-1),将当前时刻的第二状态观测值即为Z(m),该第一时长记为T1,则通过步骤203和步骤204计算该第二状态变化率的后验估计值V(m|1,2·····m)为:
V(m|1,2·····m)=f2*V(m|1,2·····m-1)+(1-f2)*(Z(m)-Z(m-1))/T1
(公式二)
通过公式二对第二状态变化率的先验估计值以及该第二状态的观测值进行加权平均,便可以得到该第二状态变化率的后验估计值。
步骤205:根据该第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出该预测对象在该下一预测时刻的第三状态预测值。
该步骤可以与前面任意实施例中的相关描述过程类似。
为了便于理解,以预测该预测对象在下一预测时刻的第三状态的预测值时,可以认为当前预测时刻至下一预测时刻的第二时长内,该预测对象为的状态变化率恒定进行介绍,仍以步骤204的假设为例,假设第二时长为T2,则确定出该第二状态的后验估计值X(m|1,2······m),以及第二状态变化率的后验估计值V(m|1,2·····m)后,预测预测在第m+1次预测的时刻该预测对象的状态的先验估计值,即预测该预测对象在下一预测时刻的第三状态的先验估计值X(m+1|1,2······m)可以通过如下公式三得到:
X(m+1|1,2······m)=X(m|1,2······m)+V(m|1,2·····m)*T2(公式三)
其中,当按照固定的预测周期进行预测时,该T1=T2。
本申请实施例中在到达任意一个预测时刻时,在本次预测中,均是上次预测中测量出的状态的先验估计值,以及上次预测中预测出的预测对象在本次预测时刻的状态的先验估计值和状态变化率的先验估计值来进行本次预测过程中的相关分析预测。相应的,为了能够在下一预测时刻能够对预测对象 进行后续预测时刻的状态预测,在本申请以上任意一个实施例中还可以包括:将该第三状态预测值作为该预测对象在下一预测时刻的第三状态的先验估计值进行保存,并将该第二状态变化率的后验估计值作为预测对象在该下一预测时刻的第三状态变化率的先验估计值进行保存,以便在下一预测时刻到达时,可以获取到本次预测过程中预测出的该下一预测时刻的第三状态的先验估计值和第三状态变化率的先验估计值。当然,在实际应用中也会存储当前预测时刻测量得到该预测对象的第二状态观测值。
可以理解的是,进行当前预测时刻的预测时,获取到的在上一预测时刻预测出的预测对象在当前预测时刻的第二状态的先验估计值以及预测对象在第一时长内的第二状态变化率的先验估计值,同样可以是在上一预测时刻采用本发明实施例的预测方法确定出的。换言之,该第二状态的先验估计值以及第二状态变化率的先验估计值的预测过程分别与本次预测中对第三状态的先验估计值以及第三状态变化率的先验估计值的预测过程相同。
特别的,当上一预测时刻为第一次对所述预测对象的状态进行预测的时刻时,在该上一预测时刻之前并未进行对预测对象进行过状态预测,则系统中也未存储预测出的预测对象在该上一预测时刻的状态的先验估计值以及状态变化率的先验估计值。在此情况下,该上一预测时刻可以通过如下方式来预测该第二状态的先验估计值:
根据上一预测时刻之前最近一次获取到的初始状态观测值、该第一状态观测值以及获取到该初始状态观测值的时刻距离该上一预测时刻的第三时长,计算该预测对象在该第三时长内的初始状态变化率;
利用该第一状态观测值、该初始状态变化率以及该第一时长,计算该第二状态的先验估计值。
其中,由于该上一预测时刻为首次对预测对象进行状态预测的时刻,因为,为了能够对预测对象进行状态预测,首先在上一预测时刻之前的一个时刻获取该预测对象的状态观测值即该初始状态观测值。计算该预测对象在获取到该初始状态观测值的时刻至该上一预测时刻的第三时长内的初始状态变化率为:计算该第一状态观测值与该初始状态观测值的差,将这二者的差除 以该第三时长,得到的结果即为该初始状态变化率。
其中,将该初始状态变化率作为该预测对象在该上一预测时刻到当前预测时刻的第一时长内的第二状态变化率的先验估计值。
同时,基于在上一预测时刻到该当前预测时刻之间,认为该预测对象的状态变化为匀速变化,即在该第一时长内该预测对象的状态变化率恒定,那么,计算出初始状态变化率与该第一时长的乘积后,将该乘积与该第一状态观测值进行求和便得到该第二状态的先验估计值。
为了便于理解,假设获取该初始状态观测值Z(0)的时刻为t1,认为该t1时刻第0次进行预测,在t1时刻之后经过第三时长T3到达首次对该预测对象进行状态预测的时刻t2,即到达该该上一预测时刻t2,并获取预测对象在该上一预测时刻第一状态观测值Z(1),则初始状态变化率V(1)为:
V(1)=(Z(1)-Z(0))/T3 (公式四)
该初始状态变化率V(1)作为预测对象在t2时刻之后的下一预测时刻的状态变化率的先验估计值,即以上描述的该当前预测时刻的第二状态变化率的先验估计值。
相应的,可以通过如下公式四来计算该第二状态的先验估计值X(2|0,1):
X(2|0,1)=Z(1)+V(2)*T3 (公式五)
可见,当该上一预测时刻为首次进行预测的时刻时,在该上一预测时刻利用获取到的初始状态观测值以及该上一预测时刻的观测值所进行的预测,实际上是进行预测系统的初始化,以便在当前预测时刻以及当前预测时刻之后的后续预测时刻,通过本发明的预测方法不断的进行迭代来确定出预测对象在各个预测时刻的状态。
本发明还提供了一种预测装置,用于实现本发明上述实施例提供的预测方法。以下举例说明。
参见图3,示出了本发明一种预测装置一个实施例的结构示意图,本实施例的预测装置可以应用于无线网络系统或者通讯与信号跟踪等系统中待预测对象的预测,本实施例的装置可以包括:历史数据获取单元301、第一后验估 计单元302、状态变化率确定单元303、第二后验估计单元304和状态预测单元305。
其中,历史数据获取单元301,用于获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的所述预测对象在当前预测时刻的第二状态的先验估计值和所述预测对象在第一时长内的第二状态变化率的先验估计值,其中,所述第一时长为所述上一预测时刻到所述当前预测时刻的时长。
第一后验估计单元302,用于依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值。
状态变化率确定单元303,用于根据所述第一状态观测值、所述第二状态观测值以及所述第一时长,计算所述第二状态变化率的观测值。
第二后验估计单元304,用于依据所述第二状态变化率的先验估计值和第二状态变化率的观测值,确定所述第二状态变化率的后验估计值。
状态预测单元305,用于根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值。
本申请的预测装置中,由第一后验估计单元确定出该预测对象在当前预测时刻的第二状态的后验估计值的同时,还需要由状态变化率确定单元来确定预测对象在该第一时长内的第二状态变化率的观测值,进而该第二后验估计单元根据该第二状态变化率的先验估计值和第二状态变化率的观测值,确定第二状态变化率的观测值。这样,状态预测单元则根据该预测对象第二状态的后验估计值以及第二状态变化率的后验估计值对下一预测时刻的状态进行预测,从而在预测过程中综合了预测对象在状态和状态变化率两个维度上的分析预测,从而提高了对预测对象的状态预测的准确度。
同时,由于预测对象的状态的突发变化也能够在状态变化率中有所体现,而在状态预测单元在预测过程中分析了该第二后验估计单元得到的第二状态变化率的后验估计值,因此,对于预测对象出现状态突发变化的情况,该装置也能够及时跟进,从而提高了预测的可靠性。
可选的,该第一后验估计单元可以包括:
第一后验估计子单元,用于结合预设的状态权重系数,对所述第二状态的先验估计值以及当前预测时刻所述预测对象的第二状态观测值进行加权平均,得到所述第二状态的后验估计值。
相应的,该第二后验估计单元包括:
第二后验估计子单元,用于结合预设的状态变化率权重系数,对所述第二状态变化率的先验估计值和所述第二状态变化率的观测值进行加权平均,得到所述第二状态变化率的后验估计值。
可选的,在以上任意装置的实施例中,该状态预测单元可以包括:
状态变化量确定单元,用于计算所述第二状态变化率的后验估计值与所述第二时长乘积,得到所述预测对象在所述第二时长内的状态变化量;
状态预测子单元,用于将所述第二状态的后验估计值与所述状态变化量求和,得到所述预测对象在下一预测时刻的第三状态的先验估计值,将所述第三状态的先验估计值作为预测出的所述下一预测时刻的第三状态预测值。
为了便于进行状态预测,并进一步提高状态预测的准确度,在以上实施例中对预测对象的状态预测可以按照预设的状态预测周期进行,这样,各个预测时刻之间的间隔相同。相应的,该当前预测时刻与该上一预测时刻的第一时长,与该当前时刻与下一预测时刻的第二时长相同,且第一时长和第二时长均等于预测周期的时长。
进一步的,在以上实施例的装置中还包括:
状态数据存储单元,用于保存该第二状态观测值,并将所述第三状态预测值作为所述预测对象在所述下一预测时刻的第三状态的先验估计值进行保存,将所述第二状态变化率的后验估计值作为所述预测对象在所述下一预测时刻的第三状态变化率的先验估计值进行保存。
可以理解的是,在上一预测时刻预测出的第二状态的先验估计值和第二 状态变化率的先验估计值的预测过程也可以分别与如上预测装置预测该第三状态的先验估计值和第三状态变化率的先验估计值的过程相同。
相应的,在该状态存储单元中也可以存储该第一状态观测值,以及上一预测时刻预测出的该第二状态的先验估计值和第二状态变化率的先验估计值,以便于在该预测装置在当前预测时刻对预测对象的状态进行预测时,由该历史数据获取单元从该状态数据存储单元获取该第一状态观测值、第二状态的先验估计值和第二状态变化率的先验估计值。
可选的,当该上一预测时刻为第一次对该预测对象的状态进行预测的时刻时,该预测装置还包括:
第一初始化单元,用于根据所述上一预测时刻之前最近一次获取到的初始状态观测值、所述第一状态观测值以及获取到所述初始状态观测值的时刻距离所述上一预测时刻的第三时长,计算所述预测对象在所述第三时长内的初始状态变化率;
第二初始化单元,用于利用所述第一状态观测值、所述初始状态变化率以及所述第一时长,计算所述第二状态的先验估计值;
第三初始化单元,用于将所述第一初始化单元得到的所述初始状态变化率作为所述预测对象在所述第一时长内的第二状态变化率的先验估计值。
另一方面,本发明还提供了一种计算节点,参见图4,示出了本发明一种计算节点的一个实施例的结构示意图,该计算节点可能是包含计算能力的主机服务器,或者是个人计算机PC,或者是可携带的便携式计算机或终端等等。本实施例的计算节点400可以包括:存储器401、处理器402、通信接口403和通信总线404。
其中,所述存储器401、处理器402以及通信接口403通过该通信总线404完成相互间的通信。
该通信接口403,用于与网元通信,比如共享存储系统中的节点、其他网络终端等等。
该存储器401,用于存储在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的该预测对象在当前预测时刻的第二状态的先验估计值和该预测对象在第一时长内的第二状态变化率的先验估计值,并存储包含有处理器402所运行的程序的信息。其中,该存储器可能包含高速RAM存储器,也可能还包括非易失性存储器。
处理器402,用于依据该第二状态的先验估计值和当前预测时刻该预测对象的第二状态观测值,确定该第二状态的后验估计值;根据该第一状态观测值、第二状态观测值以及第一时长,计算该第二状态变化率的观测值;依据该第二状态变化率的先验估计值和第二状态变化率的观测值,确定该第二状态变化率的后验估计值;并根据该第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出该预测对象在下一预测时刻的第三状态预测值。
其中,该处理器可能是一个中央处理器CPU,或者是特定集成电路ASIC(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
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。
专业人员还可以进一步意识到,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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、 处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
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的精神或范围的情况下,在其它实施例中实现。因此,本发明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)
1.一种预测方法,其特征在于,包括:
获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的所述预测对象在当前预测时刻的第二状态的先验估计值和所述预测对象在第一时长内的第二状态变化率的先验估计值,其中,所述第一时长为所述上一预测时刻到所述当前预测时刻的时长;
依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值;
根据所述第一状态观测值、所述第二状态观测值以及所述第一时长,计算所述第二状态变化率的观测值;
依据所述第二状态变化率的先验估计值和所述第二状态变化率的观测值,确定所述第二状态变化率的后验估计值;
根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及所述当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值。
2.根据权利要求1所述的方法,其特征在于,所述依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值,包括:
结合预设的状态权重系数,对所述第二状态的先验估计值以及当前预测时刻所述预测对象的第二状态观测值进行加权平均,得到所述第二状态的后验估计值;
相应的,所述依据所述第一状态变化率的先验估计值和第二状态变化率的观测值,确定所述第二状态变化率的后验估计值,包括:
结合预设的状态变化率权重系数,对所述第二状态变化率的先验估计值和所述第二状态变化率的观测值进行加权平均,得到所述第二状态变化率的后验估计值。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及所述当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值,包括:
计算所述第二状态变化率的后验估计值与所述第二时长的乘积,得到所述预测对象在所述第二时长内的状态变化量;
将所述第二状态的后验估计值与所述状态变化量求和,得到所述预测对象在所述下一预测时刻的第三状态的先验估计值,将所述第三状态的先验估计值作为所述预测对象在所述下一预测时刻的第三状态预测值。
4.根据权利要求1所述的方法,其特征在于,当所述上一预测时刻为第一次对所述预测对象的状态进行预测的时刻时,所述预测对象在当前预测时刻的第二状态的先验估计值通过如下方式确定:
根据所述第一状态观测值、所述上一预测时刻之前最近一次获取到的所述预测对象的初始状态观测值以及获取到所述初始状态观测值的时刻距离所述上一预测时刻的第三时长,计算所述预测对象在所述第三时长内的初始状态变化率;
利用所述第一状态观测值、所述初始状态变化率以及所述第一时长,计算所述第二状态的先验估计值;
所述预测对象在所述第一时长内的第二状态变化率的先验估计值通过如下方式确定:
将所述初始状态变化率作为所述预测对象在所述第一时长内的第二状态变化率的先验估计值。
5.根据权利要求1所述的方法,其特征在于,还包括:
保存所述第二状态观测值,并将所述第三状态预测值作为所述预测对象在所述下一预测时刻的第三状态的先验估计值进行保存,将所述第二状态变化率的后验估计值作为所述预测对象在所述下一预测时刻的第三状态变化率的先验估计值进行保存。
6.一种预测装置,其特征在于,包括:
历史数据获取单元,用于获取在上一预测时刻中,测量出的预测对象的第一状态观测值,以及预测出的所述预测对象在当前预测时刻的第二状态的先验估计值和所述预测对象在第一时长内的第二状态变化率的先验估计值,其中,所述第一时长为所述上一预测时刻到所述当前预测时刻的时长;
第一后验估计单元,用于依据所述第二状态的先验估计值和当前预测时刻所述预测对象的第二状态观测值,确定所述第二状态的后验估计值;
状态变化率确定单元,用于根据所述第一状态观测值、所述第二状态观测值以及所述第一时长,计算所述第二状态变化率的观测值;
第二后验估计单元,用于依据所述第二状态变化率的先验估计值和所述第二状态变化率的观测值,确定所述第二状态变化率的后验估计值;
状态预测单元,用于根据所述第二状态的后验估计值、第二状态变化率的后验估计值以及当前预测时刻距离下一预测时刻的第二时长,预测出所述预测对象在所述下一预测时刻的第三状态预测值。
7.根据权利要求6所述的装置,其特征在于,所述第一后验估计单元,包括:
第一后验估计子单元,用于结合预设的状态权重系数,对所述第二状态的先验估计值以及当前预测时刻所述预测对象的第二状态观测值进行加权平均,得到所述第二状态的后验估计值;
相应的,所述第二后验估计单元,包括:
第二后验估计子单元,用于结合预设的状态变化率权重系数,对所述第二状态变化率的先验估计值和所述第二状态变化率的观测值进行加权平均,得到所述第二状态变化率的后验估计值。
8.根据权利要求6或7所述的装置,其特征在于,所述状态预测单元,包括:
状态变化量确定单元,用于计算所述第二状态变化率的后验估计值与所述第二时长乘积,得到所述预测对象在所述第二时长内的状态变化量;
状态预测子单元,用于将所述第二状态的后验估计值与所述状态变化量求和,得到所述预测对象在所述下一预测时刻的第三状态的先验估计值,将所述第三状态的先验估计值作为预测出的所述下一预测时刻的第三状态预测值。
9.根据权利要求6所述的装置,其特征在于,当所述上一预测时刻为第一次对所述预测对象的状态进行预测的时刻时,所述装置还包括:
第一初始化单元,用于根据所述上一预测时刻之前最近一次获取到的初始状态观测值、所述第一状态观测值以及获取到所述初始状态观测值的时刻距离所述上一预测时刻的第三时长,计算所述预测对象在所述第三时长内的初始状态变化率;
第二初始化单元,用于利用所述第一状态观测值、所述初始状态变化率以及所述第一时长,计算所述第二状态的先验估计值;
第三初始化单元,用于将所述第一初始化单元得到的所述初始状态变化率作为所述预测对象在所述第一时长内的第二状态变化率的先验估计值。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
状态数据存储单元,用于保存所述第二状态观测值,并将所述第三状态预测值作为所述预测对象在所述下一预测时刻的第三状态的先验估计值进行保存,将所述第二状态变化率的后验估计值作为所述预测对象在所述下一预测时刻的第三状态变化率的先验估计值进行保存。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296150.7A CN103428733B (zh) | 2013-07-15 | 2013-07-15 | 一种预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296150.7A CN103428733B (zh) | 2013-07-15 | 2013-07-15 | 一种预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103428733A CN103428733A (zh) | 2013-12-04 |
CN103428733B true CN103428733B (zh) | 2016-08-10 |
Family
ID=49652745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310296150.7A Active CN103428733B (zh) | 2013-07-15 | 2013-07-15 | 一种预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103428733B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104378420B (zh) * | 2014-11-12 | 2017-12-29 | 东软集团股份有限公司 | 基于环境感知的数据传输方法及装置 |
CN105094986B (zh) * | 2015-07-20 | 2019-03-22 | 暨南大学 | 一种面向存储系统的突发访问行为的预测方法及装置 |
CN108134640B (zh) * | 2017-12-12 | 2020-11-06 | 浙江大学 | 一种基于节点运动状态约束的协作定位系统和方法 |
CN109738884B (zh) * | 2018-12-29 | 2022-03-11 | 百度在线网络技术(北京)有限公司 | 对象检测方法、装置和计算机设备 |
CN114858200B (zh) * | 2022-04-19 | 2023-06-27 | 合众新能源汽车股份有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101637388A (zh) * | 2008-07-29 | 2010-02-03 | 深圳市海博科技有限公司 | 呼吸运动预测方法 |
CN101662433A (zh) * | 2009-06-23 | 2010-03-03 | 中山大学 | 一种基于粒子滤波修正的信道预测方法 |
WO2012060523A1 (ko) * | 2010-11-03 | 2012-05-10 | 인제대학교산학협력단 | 재해율 예측 방법 및 장치 |
CN102944888A (zh) * | 2012-11-23 | 2013-02-27 | 江苏东大集成电路系统工程技术有限公司 | 一种基于二阶扩展卡尔曼的低运算量gps定位方法 |
-
2013
- 2013-07-15 CN CN201310296150.7A patent/CN103428733B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101637388A (zh) * | 2008-07-29 | 2010-02-03 | 深圳市海博科技有限公司 | 呼吸运动预测方法 |
CN101662433A (zh) * | 2009-06-23 | 2010-03-03 | 中山大学 | 一种基于粒子滤波修正的信道预测方法 |
WO2012060523A1 (ko) * | 2010-11-03 | 2012-05-10 | 인제대학교산학협력단 | 재해율 예측 방법 및 장치 |
CN102944888A (zh) * | 2012-11-23 | 2013-02-27 | 江苏东大集成电路系统工程技术有限公司 | 一种基于二阶扩展卡尔曼的低运算量gps定位方法 |
Non-Patent Citations (2)
Title |
---|
基于卡尔曼滤波的公交站点短时客流预测;张春辉;《交通运输系统工程与信息》;20110831;第11卷(第4期);全文 * |
无线传感器网络卡尔曼流量预测算法;杨俊刚;《华中科技大学学报》;20110228;第39卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103428733A (zh) | 2013-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103428733B (zh) | 一种预测方法和装置 | |
CN104242325B (zh) | 一种电力系统低频振荡模式参数辨识方法 | |
US10012504B2 (en) | Efficient vision-aided inertial navigation using a rolling-shutter camera with inaccurate timestamps | |
CN105571609B (zh) | 一种运动参数处理方法及移动终端 | |
JP4772871B2 (ja) | バッテリと関連する状態ベクトルを推定するシステム及び方法 | |
CN107274472A (zh) | 一种提高vr播放帧率的方法和装置 | |
JP2014525096A5 (zh) | ||
RU2011102604A (ru) | Устройство и способ навигации | |
RU2012102394A (ru) | Способ вычисления физического значения, способ численного анализа, программа вычисления физического значения, программа численного анализа, устройство вычисления физического значения и устройство численного анализа | |
CN105892658B (zh) | 基于头戴显示设备预测头部姿态的方法和头戴显示设备 | |
EP2769233A1 (en) | Time of arrival based wireless positioning system | |
CN102841835A (zh) | 硬件性能评测的方法及系统 | |
CN109379240A (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
CN113034594A (zh) | 位姿优化方法、装置、电子设备及存储介质 | |
CN109587072A (zh) | 分布式系统全局限速系统及方法 | |
CN108829996B (zh) | 获得车辆定位信息的方法及装置 | |
CN110231620A (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN109697247A (zh) | 一种数据准确性的检测方法及装置 | |
Ghaderi et al. | Practical high-fidelity frequency-domain force and location identification | |
CN113029136A (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN105517018B (zh) | 一种获取位置信息的方法及装置 | |
CN103530190A (zh) | 一种负载预测方法及装置 | |
JP2016045205A (ja) | 日射強度相互相関係数推定装置、日射強度相互相関係数推定システム及び日射強度相互相関係数推定方法 | |
CN115235527A (zh) | 传感器外参标定方法、装置以及电子设备 | |
CN109270455A (zh) | 基于弱敏集合卡尔曼滤波的感应电机状态监测方法 |
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 |