CN104794112A - 时间序列处理方法及装置 - Google Patents

Abstract

本发明公开了一种时间序列处理方法及装置，所述方法包括分析第一时间序列，获取至少一个与所述第一时间序列相关的第二时间序列；对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；根据所述第一函数计算出对应于所述第一时间序列的拟合序列；检验所述拟合序列与所述第一时间序列的差异；所述拟合序列与所述第一时间序列的差异不大于阈值时，求取拟合序列与第一时间序列的残差序列；对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；根据第一函数及第二函数，获取预测时间的预测结果。

Description

时间序列处理方法及装置

技术领域

本发明涉及数据处理领域的序列处理技术，尤其涉及一种时间序列处理方法及装置。

背景技术

时间序列就是将某种统计指标的数值，按时间先后顺序排列所形成的数列。基于时间序列的预测方法就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，借以预测下一段时间或以后若干年内可能达到的水平。在实际应用中，大多数时间序列存在与其具有相关性的其它时间序列，而且呈现出非平稳的特征，通过对这类时间序列进行预测，可以及时发现一些已存在的趋势，进而提前对潜在的风险采取一定的措施，减少可能的损失；而且通过预测，可以辅助决策，提高效益。

时间序列预测在诸多领域都得到广泛的应用，目前其应用最普遍的是一元时间序列预测，但实际应用中很多序列的变化规律都受到其它序列的影响，这就要求不能单独分析单序列本身随时间的变化趋势，而要综合考虑其它序列的作用。多时序数据之间可能存在因果、协同、正相关或者负相关等影响，比如，高校里面的在校研究生数量的时间序列和导师数量的时间序列是互相影响，若导师数量增长，研究生数量也会因此同时增长，它们是因果关系；公园的游客数量的时间序列会受到天气的时间序列的影响，若天气较差，游客数量会减少。若天气较好，游客数量会相对增长，它们之间是正相关的；某公司经营分析系统的某些关键指标也是时间序列，其中“每日第一服务商新增用户数”与“每日第二服务商新增用户数”、“每日第三服务商新增用户数”之间的关系属于协同关系，因为第一、第二以及第三服务商这三家运营商之间存在竞争，若第一服务上和第二服务商的新增用户数发生变化，第三的新增用户数定会受其影响。此外，许多时间序列都是非平稳序列，这些非平稳序列有随时间变化的均值或二阶矩。

现有的大部分时序数据预测方法只考虑了单时序本身的情况，考虑因素不够准确（并未考虑与其具有相关性的时间序列的影响），且未对非平稳性进行处理（非平稳数据不适合做回归分析，会造成建模不准确）。因此，如果按照现有方法对它们进行预测，会出现预测精度不高，影响决策者的经营判断。

发明内容

有鉴于此，本发明实施例提供一种时间序列处理方法及装置，以提高时间处理序列处理结果的精确度。

为达到上述目的，本发明的技术方案是这样实现的：

本发明第一方面提供一种时间序列处理方法，所述方法包括：

分析第一时间序列，获取至少一个与所述第一时间序列相关的第二时间序列；

对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

检验所述拟合序列与所述第一时间序列的差异；

所述拟合序列与所述第一时间序列的差异不大于阈值时，求取所述拟合序列与所述第一时间序列的残差序列；

对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

根据所述第一函数及所述第二函数，获取预测时间的预测结果。

优选地，所述检验所述拟合序列与所述第一时间序列的差异为：

利用F检验处理所述检验拟合序列与所述第一时间序列获取差异。

优选地，所述对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列包括：

步骤S1：对残差序列进行差分处理，获取第一差分序列；

步骤S2：对所述第一差分序列进行平稳性检验，若检验通过，则所述第一差分序列为所述平稳序列；若检验未通过，则执行步骤S3至步骤S4；

步骤S3：对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

步骤S4：对所述第n差分序列进行平稳性检验，若检验通过，则所述第n差分序列为所述平稳序列，若检验未通过，则返回步骤S3。

优选地，所述步骤S2中采用DFDF检验对所述第一差分序列进行平稳性检验；所述步骤S4中采用DFDF检验对所述第n差分序列进行平稳性检验。

优选地，所述对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数包括：

计算平稳序列的自相关函数与偏自相关函数；

根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数。

本发明第二方面提供一种时间序列处理装置，所述装置包括：

获取单元，用以分析第一时间序列，获取至少一个与所述第一时间序相关的第二时间序列；

多元回归处理单元，用以对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

拟合序列形成单元，用以根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

检验单元，用以检验所述拟合序列与所述第一时间序列的差异：

残差序列求取单元，用以在拟合序列与所述第一时间序列的差异不大于阈值时，求取所述拟合序列与所述第一时间序列的残差序列；

平稳序列求取单元，用以对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

自回归移动平均处理单元，用以对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

预测单元，用以根据所述第一函数与所述第二函数，获取预测时间的预测结果。

进一步地，所述检验单元，具体用以利用F检验处理所述检验拟合序列与所述第一时间序列获取差异。

进一步地，所述平稳序列求取单元包括：

第一差分处理模块，用以对残差序列进行差分处理，获取第一差分序列；

第一检验模块，用以对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；

第二差分处理模块，用以在第一差分序列为通过检验时，对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

第二检验模块，用以对所述第n差分序列进行平稳性检验，检验通过则所述第n差分序列为所述平稳序列。

进一步地，所述第一检验模块具体用以采用DF检验对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；

所述第二检验模块，用以采用DF检验对所述第n差分序列进行平稳性检验，检验通过则所述第n差分序列为所述平稳序列。

进一步地，所述自回归移动平均处理单元包括：

计算模块，用以计算平稳序列的自相关函数与偏自相关函数；

定阶模块，用以根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

估计模块，用以利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

第一形成模块，用以根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

第二形成模块，用以将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数

本发明实施例所述的时间序列处理方法及装置，首先利用多元回归处理引入了与第一时间序列具有因果、协同、正相关及负相关至少其中之一的第二时间序列对预测结果的影响；其次利用由第一函数获取的拟合序列与第一时间序列之间的残差，考虑了第一时间序列自身的变化趋势，故而得到的第一时间序列处理结果更加反映预测时刻的真实情况，使得时间处理序列的结果更加精确。

附图说明

图1为本发明实施例一所述的时间序列处理方法的流程示意图；

图2为本发明实施例二所述的时间序列处理装置的结构示意图。

具体实施方式

以下将结合说明书附图以及具体实施例对本发明的技术方案做进一步的详细阐述。

实施例一：

如图1所示，本实施例提供一种时间序列处理方法，所述方法包括：

步骤S110：分析第一时间序列，获取至少一个与所述第一时间序列相关的第二时间序列；

步骤S120：对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

步骤S130：根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

步骤S140：检验所述拟合序列与所述第一时间序列的差异，若差异不大于阈值则进入步骤S150，若差异大于阈值则返回步骤S110：

步骤S150：求取所述拟合序列与所述第一时间序列的残差序列；

步骤S160：对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

步骤S170：对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

步骤S180：利用所数第一函数与所述第二函数，获取预测时间的预测结果。

在所述步骤S110中所述的第一时间序列与所述第二时间序列相互影响，具体的如所述第一时间序列与所述第二时间序列具有因果关系、协同关系、呈正相关或呈负相关等相关关系。在具体的实现过程中，可以采用计算机设备从外设中接收所述第一时间序列或获取形成时间序列的参数，形成所述时间序列，再通过分析程序或软件，查找到与第一时间序列相关的第二时间序列，执行简便快捷，智能化高。

所述多元回归为研究一个因变量、依两个或两个以上自变量的回归，亦称为多元线性回归，是反映一种现象或事物的数量依多种现象或事物的数量的变动而相应地变动的规律，建立多个变量之间线性或非线性数学模型数量关系式的统计方法。在步骤S120中，以第二时间序列为自变量进行多元回归得到了以对应与第一时间序列的拟合序列为因变量的第一函数。所述第一函数体现了第二时间序列对第一时间序列的影响度。

若第一时间序列包括N个元素，时间段为T1-T2;则通过所述第一函数可获取时间段T1-T2内的N个拟合值，按照时间先后排列形成所述拟合序列。所述N为不小于1的整数。

在所述步骤S140中，可以通过第一时间序列与拟合序列的差值预算或差值方差运算等方式，来获取第一时间序列与拟合序列的差异，再通过阈值比较来判断通过所述第一函数所计算出来的拟合序列是否能获得与实际情况吻合度满足需求的拟合序列。所述阈值通常可以是根据历史数据或仿真数据所预先获取的。若第一时间序列与所述拟合序列的差异小，说明所获取的第二时间序列对第一时间序列的影响大，第一时间序列与第二时间序列之间关系密切并进入步骤S150；否则相反，需要根据第一时间序列所表征的物理意义以及影响第一时间序列形成的因果、协同等关系重新确定第二时间序列，故可返回步骤S110。

在具体的实现过程中，检验所述第一时间序列与所述拟合序列差异的方法，有多种，在本实施例中优选采用F检验进行所数第一时间序列与所述拟合序列差异的检验。F检验又称为方差齐性检验，包括：判断两个样本的总体方差是否相同；若两样本的总体方差相等，则直接进行t检验，若不等则可以此阿勇变量变化等方法进行后续检验。两样本的总体方差相等，即实现了方差齐性。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。在本实施例中优选F检验，具有实现简便且具有检验结果精确度高的优点。

在所述步骤S150中，通过第一函数获得了拟合序列，并将拟合序列与第一时间序列进行比较，获得了残差序列。残差是指观测值与预测值（拟合值）之间的差，即是实际观察值与回归估计值的差。在本实施例中所述观测值为所述第一时间序列；所述预测值为所述拟合序列。将第一时间序列中与拟合序列同一时刻的元素做减法即可得到所述残差序列。

为了在通常情况下，所述残差序列会存在波动，具体的如呈上升趋势、下降趋势、先升后降或先降后升等波动。故在步骤S160中，对步骤S150中的残差序列进行平稳化处理，获取平稳化序列。对残差序列进行平稳化处理有很多种方式，以下提供一种以差分处理获取平稳序列的方法，包括：

步骤S1：对残差序列进行差分处理，获取第一差分序列；

步骤S2：所述第一差分序列进行平稳性检验，若检验通过则所述第一差分序列为所述平稳序列，若检验未通过则执行步骤S3-步骤S4；

步骤S3：对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

步骤S4：所述第n差分序列进行平稳性检验，若检验通过则所述第n差分序列为所述平稳序列，若检验未通过则返回步骤S3。

本实施例所述的差分结果为残差序列中后一元素与前一元素之间的差值，若残差序列包括P个元素，则将得到一个包括P-1个元素的差分序列；所述P为大于1的整数。在本实施例中对每一次差分结果所获取的差分序列进行平稳性检验，若不能通过检验则对已获取的序列继续进行差分操作，直到所述获取的差分序列通过检验。所述检验的方式有多种，在本实施例中优选DF检验也称为单位根检验，是一种常用的检验方法。采用DF检验，具有时间快捷，检验结果准确度高的优点。

其中，所述步骤S170可以包括以下子步骤：

子步骤1：计算平稳序列的自相关函数与偏自相关函数；

子步骤2：根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

子步骤3：利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

子步骤4：根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

子步骤5：将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数。

在具体实现时，所述子步骤2中，可以根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，采用最小信息准则进行自回归模型以及移动平均模型的定阶。所述最小信息准则为由Kullback-Leibler信息量导出的定阶函数。所述自回归模型又称为VAR模型描述在同一样本期间内的n个变量（内生变量）可以作为它们过去值的线性函数。所述移动平均模型为已平均移动预测未来数值的模型。在本实施例中所述的n个变量为所述平稳序列中预测时间前的n个元素。

在所述子步骤4中，可以采用最小二乘法获取所述二次残差函数。最小二乘法为最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。在本实施例中采用最小二乘法，具有实现简便快捷以及结果精确的优点。

所述步骤S180的具体实现，可以是通过第一函数获取的预测结果与所述第二函数获取的预测结果进行求和，得到指定时间内的预测结果。

通过本实施例所述方法，对当前时刻的时间序列进行处理，所获取的下一时刻的预测结果，考虑了第一时间序列本身前后时间关系上的相互影响，同时还引入了与其他时间序列对第一时间序列的影响度的计算，从而所获取的预测结果能更加负荷下一时刻的实际结果。

以下基于本实施例所述的时间序列处理方法之一，提供两个具体示例。

示例一：

步骤1.1：首先按时间顺序处理所采集或接收的数值，形成第一时间序列y_t，分析y_t，初步确定与y_t具有相关关系的其它n个时间序列，记为

步骤2.1：对进行多元回归，获得第一函数其中y_t′为拟合序列；所述为t时刻的第i个第二时间序列；所述w_i为所述的影响度权值。通过最小二乘法对参数进行估计，需要进行必要的检验与评价，以决定所述第一函数是否可用来估计第一时间序列。本示例中采用F检验方法，给定临界值Fa，若F>Fa，则表示第一函数中因变量关系式对自变量影响显著，回归效果明显，进入步骤3.1；反之回归效果不明显，则进入步骤1.1。

步骤3.1：由于对实际第一时间序列了解不够完全全面，在建模过程中，难免会遗漏一些重要因素，它们可能难以定量或者难以处理，这些因素所产生的误差可以归并到多元回归模型的拟合值与真实值的残差中，因此应该先得到残差序列x_t。所述拟合值为通过第一函数获得的值；所述真实值来自与第一时间序列。

步骤4.1：一般情况下，可观察到x_t具有一定幅度的波动现象，呈现出上升或下降的趋势。因此需要先进行平稳性操作，本示例采用差分的方法，先对不平稳序列进行一阶差分，再通过DF检验的方法进行平稳性检验，若检验表明结果依旧非平稳，则需要对一阶差分结果继续进行差分操作，直至得到的差分结果可通过DF检验为止。记得到的平稳序列为x₁′，x₂′，x₃′…x_O′，并记录差分次数d，一般情况下d的取值为0、1、2。所述平稳序列共有o个元素，且元素的个数与差分次数以及残差序列的元素个数相关。

步骤4.2：利用加权移动平均、指数平滑、季节变动或ARMA模型计算出x₁′，x₂′，x₃′…x_O′序列的自相关函数ACF和偏自相关函数PACF。观察残差序列的ACF和PACF的拖尾或截尾情况，首先根据表1所示的规则先判断自回归模型AR阶数p和移动平均模型MA阶数q的情况，其次，通过AIC准则来对p和q进行定阶，得到p和q的具体值。

	p=0	q=0	p和q都不为0
				ACF	拖尾	截尾	拖尾
PACF	截尾	拖尾	拖尾

表1

步骤4.3：利用自协方差函数和自相关函数与AR模型中参数的关系，解出AR中参数的估计值ε_t。本示例利用残差序列各元素和根据估计的到估计值之间的离差平方和达到最小的方法（如最小二乘估计法）来估计出MR模型中的参数。根据估计出的参数可得到AR和MA模型，将两者进行结合，可得到第二函数关系

步骤5.1：综合第一函数与第二函数，得到用于获取预测结果的形成了差分复合回归移动平均模型（CompositeRegression Integrated Moving Average Model，CRIMA）。

步骤6.1：利用CRIMA模型便可求出时间序列在预测阶段的预测值。

示例二：

本示例为应用于经营分析系统中时间序列的处理，本示例就以某公司对“联通每日新增用户数”关键指标的预测为例，来说明本发明提出的面向相关性的非平稳时间序列预测方法的实际预测效果。

步骤1、观察“第一服务商每日新增用户数”的时间序列y_t，由于考虑到第一服务商、第二服务商、第三服务商三家运营商属于竞争关系，可以初步定义第二服务商每日新增用户数所形成的时间序列为第三服务商每日新增用户数所形成的时间序列为将和作为与y_t具有相关关系的第二时间序列。

步骤2、对和进行多元回归建模，得到进行参数估计，然后采用F检验方法，若通过检验，则进入步骤3，反之进入步骤1。

步骤3、考虑到第一每日新增用户数可能还与其它因素有关，在前面的步骤中没有加以考虑，因此求y_t与y_t′的残差序列，记为x_t。

步骤4、对x_t以及对x_t差分形成的差分序列进行差分操作，直到差分序列通过DF检验，通过所述DF检验所对应的差分序列即为平稳序列。然后计算平稳序列的ACF和PACF，并利用AIC准则，求得AR和MA模型的阶数，利用最小二乘法和矩阵估计方法进行参数估计，可以得到x_t的自回归移动平均模型，记为

步骤5、将y_t′和x_t进行结合，便是本发明提出的CRIMA模型，表达式为 $y_t^{\′}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{y}_t^i+\underset{i=0}{\overset{p}{\mathrm{\Σ}}}{\mathrm{\φ}}_i{x}_{t-1}+{\mathrm{\ϵ}}_t^{\′}-\underset{i=0}{\overset{q}{\mathrm{\Σ}}}{\mathrm{\θ}}_i{\mathrm{\ϵ}}_{t-1}^{\′}.$

步骤6、考虑到第二服务商每日新增用户数和第三服务商每日新增用户数在预测阶段的值也是未知量，因此采用近一周的加权滑动平均法估计相关模型在预测阶段的值，最后便可利用CRIMA求出第一服务商每日新增用户数在预测阶段的值。

以下表2是采用本实施例所述的时间序列处理方法（即CRIMA模型）与现有的时间序列处理方法（ARMA模型）所获取的预测结果的比较。

	ARMA模型	CRIMA模型
			最大误差比	56.7%	29.6%
最小误差比	0.9%	0.2%
			平均误差比	20.2%	13.2%

表2

综合上述，本实施例所述的时间序列处理方法可以分为以下六大步骤：

步骤1：先对第一时间序列进行分析，找出与其具有因果、协同、正相关或负相关等相关性的第二时间序列；所述第一时间序列可为1个或多个。

步骤2：将第一时间序列与步骤1得到的第二时间序列进行多元回归建模，得到相应的多元回归模型方程后，需要进行显著性检验，判断自变量（拟合序列）与因变量（第二时间序列）的关系是否真正密切。

步骤3：待步骤2检验成功后，便可得到多元回归模型。利用真实值与多元回归模型的拟合值求得残差序列。所述真实值为第一时间序列；所述拟合值为根据所述多元回归模型所计算出的序列。

步骤4：通过差分对残差序列进行平稳化操作，对得到的平稳序列进行自回归和移动平均建模，并根据序列的自相关系数和偏自相关系数进行定阶。

步骤5：将多元回归模型、自回归模型以及移动平均模型结合，得到CRIMA模型。

步骤6：利用CRIMA模型可以对预测阶段进行预测，得到时间序列对应的预测值。

本实施例所述的时间序列处理方法，大大的提高了预测精度，且实现简单方便。

实施例二：

如图2所示，本实施例提供一种时间序列处理装置，所述装置包括：

获取单元110，用以分析第一时间序列，获取至少一个与所述第一时间序相关的第二时间序列；

多元回归处理单元120，用以对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

拟合序列形成单元130，用以根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

检验单元140，用以检验所述拟合序列与所述第一时间序列的差异：

残差序列求取单元150，用以在拟合序列与所述第一时间序列的差异不大于阈值时，求取所述拟合序列与所述第一时间序列的残差序列；

平稳序列求取单元160，用以对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

自回归移动平均处理单元170，用以对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

预测单元180，用以根据所述第一函数与所述第二函数，获取预测时间的预测结果。

所述获取单元110的具体结构可包括数据接收或采集接口，用以接收或数据形成第一时间序列。

所述获取单元110、所述多元回归处理单元120、所述拟合序列形成单元130、所述检验单元140、残差序列求取单元150、平稳序列求取单元160、自回归移动平均处理单元170以及预测单元180的具体结构，可以是分别包括一个处理器、存储介质、总线以及至少一个通信接口。所述存储介质包括非瞬间存储介质以及瞬间存储介质；所述非瞬间存储介质（如ROM）上存储有程序或软件。所述总线连接所述处理器、存储介质以及通信接口，实现装置内部的数据交互。所述通信接口用以实现与外设的数据交互。所述处理器运行存储在所述存储介质上的程序或软件可以实现各个单元所对应的功能。在具体的实现过程中，上述单元110-180可以同一复用包括处理器、存储介质、通信接口以及总线的装置。所处理器可以是中央处理器、数字信号处理器、单片机或可编程阵列等具有处理功能的电子元器件。

进一步地，所述检验单元140具体用以利用F检验处理所述检验拟合序列与所述第一时间序列获取差异。所述差异可以体现为差值或方差值等。

所述平稳序列求取单元160包括：

第一差分处理模块，用以对残差序列进行差分处理，获取第一差分序列；

第一检验模块，用以对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；

第二差分处理模块，用以在第一差分序列为通过检验时，对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

第二检验模块，用以对所述第n差分序列进行平稳性检验，若检验通过则所述第n差分序列为所述平稳序列。

在具体的实现过程中，所述第一检验模块与所述第二检验模块可以合并成同一检验模块，用以对差分序列进行平稳性检验。所述第一差分处理模块与所述第二差分处理模块同样的可以共用或合并成同一差分模块，但所述差分模块所包括一个的数据接口；所述数据接口从残差序列求取单元150接收的残差序列，同时还存储介质中（如缓存或数据库）获取上一次差分操作所形成的差分序列。

进一步地，所述第一检验模块具体用以采用DF检验对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；所述第二检验模块，用以采用DF检验对所述第n差分序列进行平稳性检验，若检验通过则所述第n差分序列为所述平稳序列。

所述自回归移动平均处理单元170包括：

计算模块，用以计算平稳序列的自相关函数与偏自相关函数；

定阶模块，用以根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

估计模块，用以利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

第一形成模块，用以根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

第二形成模块，用以将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数。

所述计算模块对应的物理结构，可以是计算器或具有计算功能的集成电路等电子元器件。所述估计模块可为包括可实现分析处理的处理器。所述第一形成模块以及第二形成模块的物理结构可以为各自对应一个实现相应功能的处理或复用同一处理器。

本实施例所述的时间序列处理装置，为实施例一所述的时间序列处理方法提供了实现的物理装置，可以用来实现实施例一中任意一个技术方案，同样的而具有所获取的预测结果精确度高的优点。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种时间序列处理方法，其特征在于，所述方法包括：

分析第一时间序列，获取至少一个与所述第一时间序列相关的第二时间序列；

对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

检验所述拟合序列与所述第一时间序列的差异；

所述拟合序列与所述第一时间序列的差异不大于阈值时，求取所述拟合序列与所述第一时间序列的残差序列；

对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

根据所述第一函数及所述第二函数，获取预测时间的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述检验所述拟合序列与所述第一时间序列的差异为：

利用F检验处理所述检验拟合序列与所述第一时间序列获取差异。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列包括：

步骤S1：对残差序列进行差分处理，获取第一差分序列；

步骤S2：对所述第一差分序列进行平稳性检验，若检验通过，则所述第一差分序列为所述平稳序列；若检验未通过，则执行步骤S3至步骤S4；

步骤S3：对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

步骤S4：对所述第n差分序列进行平稳性检验，若检验通过，则所述第n差分序列为所述平稳序列，若检验未通过，则返回步骤S3。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2中采用DFDF检验对所述第一差分序列进行平稳性检验；所述步骤S4中采用DFDF检验对所述第n差分序列进行平稳性检验。

5.根据权利要求1或2所述的方法，其特征在于，所述对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数包括：

计算平稳序列的自相关函数与偏自相关函数；

根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数。

6.一种时间序列处理装置，其特征在于，所述装置包括：

获取单元，用以分析第一时间序列，获取至少一个与所述第一时间序相关的第二时间序列；

多元回归处理单元，用以对所述第二时间序列进行多元回归处理，获得以所述第二时间序列为因变量且拟合序列为自变量的第一函数；

拟合序列形成单元，用以根据所述第一函数计算出对应于所述第一时间序列的拟合序列；

检验单元，用以检验所述拟合序列与所述第一时间序列的差异：

残差序列求取单元，用以在拟合序列与所述第一时间序列的差异不大于阈值时，求取所述拟合序列与所述第一时间序列的残差序列；

平稳序列求取单元，用以对所述残差序列进行平稳化处理，获取对应于所述残差序列的平稳序列；

自回归移动平均处理单元，用以对所述平稳序列进行自回归移动平均处理，获取关于平稳序列中前后两元素关系的第二函数；

预测单元，用以根据所述第一函数与所述第二函数，获取预测时间的预测结果。

7.根据权利要求6所述的装置，其特征在于，所述检验单元，具体用以利用F检验处理所述检验拟合序列与所述第一时间序列获取差异。

8.根据权利要求6或7所述的装置，其特征在于，所述平稳序列求取单元包括：

第一差分处理模块，用以对残差序列进行差分处理，获取第一差分序列；

第一检验模块，用以对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；

第二差分处理模块，用以在第一差分序列为通过检验时，对第n差分序列进行差分处理，获取第n+1差分序列；其中，所述n为不小于1的整数；

第二检验模块，用以对所述第n差分序列进行平稳性检验，检验通过则所述第n差分序列为所述平稳序列。

9.根据权利要求8所述的装置，其特征在于，所述第一检验模块具体用以采用DF检验对所述第一差分序列进行平稳性检验，检验通过则所述第一差分序列为所述平稳序列；

所述第二检验模块，用以采用DF检验对所述第n差分序列进行平稳性检验，检验通过则所述第n差分序列为所述平稳序列。

10.根据权利要求6或7所述的装置，其特征在于，所述自回归移动平均处理单元包括：

计算模块，用以计算平稳序列的自相关函数与偏自相关函数；

定阶模块，用以根据所述自相关函数与所述偏自相关函数的拖尾和截尾状况，确定自回归模型的阶数和移动平均模型的阶数；

估计模块，用以利用所述平稳序列的自协方差函数、自相关函数、自回归模型的阶数以及自回归模型，求解出自回归模型中一次残差函数的一次残差估计参数，并根据所述一次残差函数形成残差估计序列；

第一形成模块，用以根据所述残差序列与所述残差估计序列之间的离差平方、移动平均模型的阶数以及移动平均模型，获取关于所述残差估计参数的二次残差函数；

第二形成模块，用以将所述二次残差函数替换所述一次残差函数中的依次参数估计参数，形成所述第二函数。