CN104866932A - 基于预测模型适用性判断的时间序列预测方法 - Google Patents

Abstract

基于预测模型适用性判断的时间序列预测方法，涉及时间序列预测技术领域。本发明是为了解决现有时间序列预测研究中，模型可能出现不适用当前数据特征的问题。本发明提出一种标准化、基于实际用户需求的基于预测模型适用性判断的时间序列预测方法。本发明的优点主要在于为实际的时间序列预测应用增加了合理的模型适用性判断步骤，填补了本领域对于时间序列预测模型适用性的研究空白，使得在实际应用中能够根据实际需要不断进行模型适用性的判断，完全克服模型可能不适用的问题。还能够为用户提供一定的决策建议，提高时间序列的预测效果。

Description

基于预测模型适用性判断的时间序列预测方法

技术领域

本发明属于时间序列预测技术领域。

背景技术

当前时间序列预测算法研究主要围绕改进预测模型以适应数据特征展开，这种研究方法存在一定的问题：模型所适用的数据一般为离线数据，对于实际应用而言，时间序列特征可能出现变化，改进的模型的适用性难以保证；即使改进模型仍然适用于当前时间序列特征，在未来的模型应用过程中，时间序列特征仍然可能出现一定的变化，模型仍然可能出现不适用当前数据特征的问题。由于时间序列预测模型的预测效果与模型和数据特征之间的匹配程度有很大的关系，因此，为了保证离线改进模型的应用过程中的适用性，需要根据实际需求进行模型适用性的检验、检验适用后再进行预测应用，这样才能获得良好的预测效果。但是，现有研究中均未对预测应用过程中的模型适用性的检验环节进行研究，属于领域研究空白。

发明内容

本发明是为了解决现有时间序列预测研究中，模型可能出现不适用当前数据特征的问题，现提供基于预测模型适用性判断的时间序列预测方法。

基于预测模型适用性判断的时间序列预测方法，该方法包括以下步骤：

步骤一：根据当前时间序列的幅值连续性、长记忆性、趋势性和季节性获得当前时间序列的数据类别；

步骤二：判断步骤一获得的数据类别是否与历史时间序列的数据类别相同，是则执行步骤三，否则重新进行预测模型选择，并利用新的预测模型预测未来时间序列；

步骤三：利用历史预测模型进行预测实验，获得模型适用性评价指标；

步骤四：根据模型适用性评价指标获得适用性评价结果；

步骤五：根据适用性评价结果获得评价结果的变化百分比Degree；

步骤六：根据适用性评价类型将评价结果的变化百分比Degree与适用性判断阈值进行比较，判断历史预测模型的结构和参数是否适用于当前时间序列；

若历史预测模型的结构和参数均适用，则利用该历史预测模型预测未来时间序列；

若历史预测模型的结构适用，历史预测模型的参数不适用，则重新训练历史预测模型的参数，并利用重新训练参数后的预测模型预测未来时间序列；

若历史预测模型的结构和参数均不适用，则重新进行预测模型选择，并利用新的预测模型预测未来时间序列。

步骤三所述模型适用性评价指标包括：历史时间序列的模型适用性评价指标和当前时间序列的模型适用性评价指标；

获得模型适用性评价指标的具体方法为：

利用历史时间序列和历史预测模型进行预测实验，获得历史时间序列的模型适用性评价指标，

利用当前时间序列和历史预测模型进行预测实验，获得当前时间序列的模型适用性评价指标。

步骤四的具体方法为：

根据历史时间序列的模型适用性评价指标获得历史适用性评价结果，

根据当前时间序列的模型适用性评价指标获得当前适用性评价结果。

步骤五的具体方法为：

根据历史适用性评价结果和当前适用性评价结果获得评价结果的变化百分比Degree。

通过下式获得评价结果的变化百分比：

$\mathrm{Degree}=\frac{\mathrm{NewMetric}-\mathrm{Metric}}{\mathrm{Metric}}\·100$

其中，Degree为评价结果的变化百分比，NewMetric为当前适用性评价结果，Metric为历史适用性评价结果。

步骤六所述适用性评价类型为类型一或类型二：

所述类型一为：适用性评价结果越小，时间序列预测模型的适用性越好；

所述类型二为：适用性评价结果越大，时间序列预测模型的适用性越好。

步骤六的具体步骤为：

若适用性评价指标为类型一，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且0<A<B；

当Degree≤A时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当B<Degree时，历史预测模型的结构和参数均不适用于当前时间序列；

若适用性评价指标为类型二，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且A<B<0；

当B<Degree时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当Degree≤A时，历史预测模型的结构和参数均不适用于当前时间序列。

本发明提出一种标准化、基于实际用户需求的基于预测模型适用性判断的时间序列预测方法。本发明的优点主要在于为实际的时间序列预测应用增加了合理的模型适用性判断步骤，填补了本领域对于时间序列预测模型适用性的研究空白，使得在实际应用中能够根据实际需要不断进行模型适用性的判断，完全克服模型可能不适用的问题。还能够为用户提供一定的决策建议，提高时间序列的预测效果。

附图说明

图1为基于预测模型适用性判断的时间序列预测方法的流程图。

具体实施方式

具体实施方式一：参照图1具体说明本实施方式，本实施方式所述的基于预测模型适用性判断的时间序列预测方法，该方法包括以下步骤：

步骤一：根据当前时间序列的幅值连续性、长记忆性、趋势性和季节性获得当前时间序列的数据类别；

步骤二：判断步骤一获得的数据类别是否与历史时间序列的数据类别相同，是则执行步骤三，否则重新进行预测模型选择，并利用新的预测模型预测未来时间序列；

步骤三：利用历史预测模型进行预测实验，获得模型适用性评价指标；

步骤四：根据模型适用性评价指标获得适用性评价结果；

步骤五：根据适用性评价结果获得评价结果的变化百分比Degree；

步骤六：根据适用性评价类型将评价结果的变化百分比Degree与适用性判断阈值进行比较，判断历史预测模型的结构和参数是否适用于当前时间序列；

若历史预测模型的结构和参数均适用，则利用该历史预测模型预测未来时间序列；

若历史预测模型的结构适用，历史预测模型的参数不适用，则重新训练历史预测模型的参数，并利用重新训练参数后的预测模型预测未来时间序列；

若历史预测模型的结构和参数均不适用，则重新进行预测模型选择，并利用新的预测模型预测未来时间序列。

本实施方式步骤一中，所述当前时间序列是利用历史预测模型预测获得的。

实际应用时，在所有步骤之前，首先进行时间序列预测模型选择，其选择过程如下：首先，分析时间序列的特性，并将时间序列划归为某个数据类别；其次，基于先验经验，选取若干适用于该类时间序列的候选模型；最后，基于一定的适用性判断方法选择候选模型中的相对最优的模型作为预测模型。而本实施方式主要是为了判断历史选出的这个预测模型是否还适合当前的时间序列，若适合，则利用该历史预测模型预测未来时间序列。

本发明的提出主要是基于实际应用过程中，时间序列的特性受到很多因素的影响，可能发生变化，并且时间序列特性与预测模型的匹配程度决定了预测效果。因此，在这两个前提之下，本发明首先从时间序列特性分析出发，对当前时间序列的类别进行适用性的定性判断；随后根据定性判断的结果进行量化计算，获得结果输出的量化百分比后进行适用性量化判断。

上述时间序列的特性可能出现的变化基本上可以分为两种可能：其一，特性发生细微变化，但时间序列所归属的数据种类没有发生变化。其二，特性出现较大的变化，如工作模式发生变化后，时间序列完全归属于新的类别。针对不同的特性变化程度需要进行不同的决策处理以保证预测结果的准确性始终保持在较高水平，预测结果始终能够满足预测要求。因此，本发明增加适用性定性判断与量化判断两个步骤，如果适用性定性判断结果为种类未变，则进行细化的量化判断；如果适用性定性判断为种类发生变化，则需要重新进行针对当前时间序列特性的最优模型选择。

本发明提供标准化的时间序列预测模型适用性判断步骤，在时间序列预测模型进行实际预测应用之前对其适用性进行检验，检验通过才能够进行预测，以保证预测的效果。此外，可以根据实际的应用需求，定期基于本模型适用性检验机制进行预测模型适用性的动态判断，判断模型是否适合继续进行预测，并提供相应的决策建议如继续预测、参数需要更新或需要更换模型等。此外，本发明是一种考虑到实际应用和用户需求的适用性检验方法，即考虑到不同应用场景下时间序列稳定性不同、特性发生变化的频率和概率不同等，因此，是否进行检验、检验过程中的参考特性指标、阈值设定及对应决策均由操作人员决定。

具体实施方式二：本实施方式是对具体实施方式一所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，步骤三所述模型适用性评价指标包括：历史时间序列的模型适用性评价指标和当前时间序列的模型适用性评价指标；

获得模型适用性评价指标的具体方法为：

利用历史时间序列和历史预测模型进行预测实验，获得历史时间序列的模型适用性评价指标，

利用当前时间序列和历史预测模型进行预测实验，获得当前时间序列的模型适用性评价指标。

本实施方式所述的历史时间序列的模型适用性评价指标和当前时间序列的模型适用性评价指标在表达形式上相同，由于代入其中的参数不同，所述参数即：历史时间序列和当前时间序列，因而获得历史时间序列的模型适用性评价指标和当前时间序列的模型适用性评价指标。

具体实施方式三：本实施方式是对具体实施方式二所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，步骤四的具体方法为：

根据历史时间序列的模型适用性评价指标获得历史适用性评价结果，

根据当前时间序列的模型适用性评价指标获得当前适用性评价结果。

具体实施方式四：本实施方式是对具体实施方式三所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，步骤五的具体方法为：

根据历史适用性评价结果和当前适用性评价结果获得评价结果的变化百分比Degree。

具体实施方式五：本实施方式是对具体实施方式四所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，通过下式获得评价结果的变化百分比：

$\mathrm{Degree}=\frac{\mathrm{NewMetric}-\mathrm{Metric}}{\mathrm{Metric}}\&CenterDot;100$

其中，Degree为评价结果的变化百分比，NewMetric为当前适用性评价结果，Metric为历史适用性评价结果。

具体实施方式六：本实施方式是对具体实施方式一所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，步骤六所述适用性评价类型为类型一或类型二：

所述类型一为：适用性评价结果越小，时间序列预测模型的适用性越好；

所述类型二为：适用性评价结果越大，时间序列预测模型的适用性越好。

本实施方式所述的适用性评价结果为：任意时间序列代入模型适用性评价指标所获得的适用性评价结果，该适用性评价结果包括：当前适用性评价结果和历史适用性评价结果。

具体实施方式七：本实施方式是对具体实施方式六所述的基于预测模型适用性判断的时间序列预测方法作进一步说明，本实施方式中，步骤六的具体步骤为：

若适用性评价指标为类型一，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且0<A<B；

当Degree≤A时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当B<Degree时，历史预测模型的结构和参数均不适用于当前时间序列；

若适用性评价指标为类型二，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且A<B<0；

当B<Degree时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当Degree≤A时，历史预测模型的结构和参数均不适用于当前时间序列。

本实施方式中，获得的结果为时间序列预测模型和模型参数均适用于当前时间序列时，则能够利用该时间序列预测模型对当前时间序列进行预测；获得结果为时间序列预测模型适用于当前时间序列，而模型参数不适用于当前时间序列时，则需要重新训练模型参数，然后再对当前时间序列进行预测；获得的结果为时间序列预测模型不适用于当前时间序列时，则需要重新选择当前时间序列的预测模型。

对于不同的预测场景，时间序列特性变化概率和频率不同，因此是否进行适用性检验由用户进行选择；根据哪一个适用性评价指标也依据实际应用由用户选择；不同决策对应的适用性变化阈值也根据实际的预测需求和场景由用户进行输入设置。

Claims (7)

1.基于预测模型适用性判断的时间序列预测方法，其特征在于，该方法包括以下步骤：

步骤一：根据当前时间序列的幅值连续性、长记忆性、趋势性和季节性获得当前时间序列的数据类别；

步骤二：判断步骤一获得的数据类别是否与历史时间序列的数据类别相同，是则执行步骤三，否则重新选择预测模型，并利用新的预测模型预测未来时间序列；

步骤三：利用历史预测模型进行预测实验，获得模型适用性评价指标；

步骤四：根据模型适用性评价指标获得适用性评价结果；

步骤五：根据适用性评价结果获得评价结果的变化百分比Degree；

步骤六：根据适用性评价类型将评价结果的变化百分比Degree与适用性判断阈值进行比较，判断历史预测模型的结构和参数是否适用于当前时间序列；

若历史预测模型的结构和参数均适用，则利用该历史预测模型预测未来时间序列；

若历史预测模型的结构适用，历史预测模型的参数不适用，则重新训练历史预测模型的参数，并利用重新训练参数后的预测模型预测未来时间序列；

若历史预测模型的结构和参数均不适用，则重新选择预测模型，并利用新的预测模型预测未来时间序列。

2.根据权利要求1所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，步骤三所述模型适用性评价指标包括：历史时间序列的模型适用性评价指标和当前时间序列的模型适用性评价指标；

获得模型适用性评价指标的具体方法为：

利用历史时间序列和历史预测模型进行预测实验，获得历史时间序列的模型适用性评价指标，

利用当前时间序列和历史预测模型进行预测实验，获得当前时间序列的模型适用性评价指标。

3.根据权利要求2所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，步骤四的具体方法为：

根据历史时间序列的模型适用性评价指标获得历史适用性评价结果，

根据当前时间序列的模型适用性评价指标获得当前适用性评价结果。

4.根据权利要求3所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，步骤五的具体方法为：

根据历史适用性评价结果和当前适用性评价结果获得评价结果的变化百分比Degree。

5.根据权利要求4所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，通过下式获得评价结果的变化百分比：

$\mathrm{Degree}=\frac{\mathrm{NewMetric}-\mathrm{Metric}}{\mathrm{Metric}}\&CenterDot;100$

其中，Degree为评价结果的变化百分比，NewMetric为当前适用性评价结果，Metric为历史适用性评价结果。

6.根据权利要求1所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，步骤六所述适用性评价类型为类型一或类型二：

所述类型一为：适用性评价结果越小，时间序列预测模型的适用性越好；

所述类型二为：适用性评价结果越大，时间序列预测模型的适用性越好。

7.根据权利要求6所述的基于预测模型适用性判断的时间序列预测方法，其特征在于，步骤六的具体步骤为：

若适用性评价指标为类型一，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且0<A<B；

当Degree≤A时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当B<Degree时，历史预测模型的结构和参数均不适用于当前时间序列；

若适用性评价指标为类型二，则判断历史预测模型的结构和参数是否适用于当前时间序列步骤如下：

所述适用性判断阈值为：A和B，且A<B<0；

当B<Degree时，历史预测模型的结构和参数均适用于当前时间序列；

当A<Degree≤B时，历史预测模型的结构适用，历史预测模型的参数不适用于当前时间序列；

当Degree≤A时，历史预测模型的结构和参数均不适用于当前时间序列。