CN106156465B - 时间序列预测方法与装置 - Google Patents
时间序列预测方法与装置 Download PDFInfo
- Publication number
- CN106156465B CN106156465B CN201510168731.1A CN201510168731A CN106156465B CN 106156465 B CN106156465 B CN 106156465B CN 201510168731 A CN201510168731 A CN 201510168731A CN 106156465 B CN106156465 B CN 106156465B
- Authority
- CN
- China
- Prior art keywords
- period
- value
- time series
- time
- minh
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种时间序列预测方法与装置,该装置包括:采集模块,用于采集时间序列数据;规格化模块,用于对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;计算模块,用于对规格化的时间序列数据进行计算;临界尺度确定模块,用于对规格化的时间序列数据进行临界尺度选择;预测模块,用于根据计算模块的计算结果和临界尺度确定模块确定的临界尺度进行时间序列预测。该装置预测准确率高,计算复杂度低,节约计算资源的同时取得了很好的效果。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种时间序列预测方法与装置。
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。时间序列预测法已广泛应用到工业、地质、生态、经济、气象、医学、能源、金融等领域。
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存在如下缺点:
由于算法的复杂性使得预测过程缓慢,或者预测相对快速,但时间序列预测准确度并不理想。即无法兼顾准确度与预测计算复杂度。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种时间序列预测方法与装置。
本发明解决其技术问题所采用的技术方案是:一种时间序列预测装置,包括:
采集模块,用于采集时间序列数据;
规格化模块,用于对采集的数据按设定的时间尺度进行划分形成包含多个等值时间段的时间序列数据,改变时间尺度可获得一个或者多个规格化的时间序列数据;
计算模块,用于对规格化的时间序列数据进行计算;具体如下:
1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
临界时间段确定模块,用于对规格化的时间序列数据中的时间段i进行临界确定;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
预测模块,用于根据计算模块的计算结果和临界时间段确定模块的备选时间段进行时间序列预测;
具体如下:
1)若MTL1i>0且Kli为-1,则所在的备选时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的备选时间段i为临界时间段。
按上述方案,所述规格化模块中的时间尺度设定采用以下方法中的一种:
1)多个规格化的时间序列数据的时间尺度为等比关系;
2)多个规格化的时间序列数据的时间尺度为等差关系;
3)多个规格化的时间序列数据的时间尺度为规则的离散关系;
4)在一个规格化的时间序列数据中,通过改变设定n值为等比、等差、或规则离散关系获得等效为时间尺度为等比、等差、或规则离散关系的多个规格化的时间序列数据。
例如:在时间尺度为1小时的时间序列数据中,当n取值为9得到的结果等效对应于时间尺度为90分钟的时间序列数据n取值为6得到的结果。
按上述方案,所述规格化模块中的时间尺度设定满足设定后的时间序列数据的个数大于等于1。
按上述方案,所述预测模块的预测方法如下:
1)若MTL1i>0且Kli为-1,且Lli大于或等于Lli+1;则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,且Hhi小于或等于Hhi+1;则所在的时间段i为临界时间段。
按上述方案,所述n的取值为8。经验证当n的取值为8时能提高预测的准确率。
一种时间序列预测方法,包括以下步骤:
1)采集时间序列数据;
2)对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;
3)对规格化的时间序列数据进行计算;具体如下:
3.1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
3.2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3.3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
3.4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
3.5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
3.7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
4)对规格化的时间序列数据进行临界尺度选择;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
5)根据均值模块的计算结果和临界尺度选择步骤确定的备选时间段进行时间序列预测。
按上述方案,所述步骤5)中的预测方法具体如下:
1)若MTL1i>0且Kli为-1,则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的时间段i为临界时间段。
按上述方案,所述步骤5)中的预测方法具体如下:
1)若MTL1i>0且Kli为-1,且Lli大于或等于Lli+1;则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,且Hhi小于或等于Hhi+1;则所在的时间段i为临界时间段。
按上述方案,所述步骤2)中时间尺度设定采用以下方法中的一种:
1)多个规格化的时间序列数据的时间尺度为等比关系;
2)多个规格化的时间序列数据的时间尺度为等差关系;
3)多个规格化的时间序列数据的时间尺度为规则的离散关系;
4)在一个规格化的时间序列数据中,通过改变设定n值为等比、等差、或规则离散关系获得等效为时间尺度为等比、等差、或规则离散关系的多个规格化的时间序列数据。
按上述方案,所述n的取值为8。
本发明产生的有益效果是:
1.本发明采用的方法预测准确率高,计算复杂度低,节约计算资源的同时取得了很好的效果;
2.本发明采用规格大小不同的时间序列数据,既可以相互作为临界时间尺度的准确性验证,规格大小又可以反映临界点变化后的时间长度的长短,在实际运用中灵活自如,有利于最终的决策。经验证,本发明方法的临界时间尺度的准确性超过70%。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,利用风速采集仪器记录同一地区的风速数据,数据长度为168小时,整理采集的原始风速数据,形成风速时间序列用于分析预测;
2)对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;多个规格化的时间序列数据的时间尺度为等比关系;本实施例中取15分钟,30分钟,60分钟,120分钟和240分钟;
3)对规格化的时间序列数据进行计算;具体如下:
3.1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
3.2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3.3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
3.4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
3.5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
3.7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
4)对规格化的时间序列数据进行临界尺度选择;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
5)根据均值模块的计算结果和临界尺度选择步骤确定的备选时间段进行时间序列预测。预测方法具体如下:
1)若MTL1i>0且Kli为-1,则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的时间段i为临界时间段。
根据多个规格化的时间序列得出预测结果,并根据时间精度的需要选择对应的规格化的时间序列。
根据预测结果,获得风速数据及其由大变小和由小变大的时间节点,并可以以此为风力发电机的控制系统预调微调提供依据,制作风力发电机的控制系统,提高控制系统的自适应能力和响应速度,使风力发电更加平稳,提高风力发电机的发电效率.
如图2所示,本发明还提供一种时间序列预测装置,包括:
采集模块,用于采集时间序列数据;
规格化模块,用于对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;规格化模块中的时间尺度设定采用以下方法中的一种:
1)多个规格化的时间序列数据的时间尺度为等比关系;
2)多个规格化的时间序列数据的时间尺度为等差关系;
3)多个规格化的时间序列数据的时间尺度为规则的离散关系。
规格化模块中的时间尺度设定满足设定后的时间序列数据的个数大于等于1。
计算模块,用于对规格化的时间序列数据进行计算;具体如下:
1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
临界时间段确定模块,用于对规格化的时间序列数据中的时间段i进行临界确定;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
预测模块,用于根据计算模块的计算结果和临界时间段确定模块的备选时间段进行时间序列预测;
具体如下:
1)若MTL1i>0且Kli为-1,则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的时间段i为临界时间段。
为了提高预测的准确率,所述预测模块的预测方法也可如下:
1)若MTL1i>0且Kli为-1,且Lli大于或等于Lli+1;则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,且Hhi小于或等于Hhi+1;则所在的时间段i为临界时间段。
本发明还可用于随机价格的变化预测。
一、农产品价格指数预测
1)记录同一地区同一标准农产品的每天的物价指数数据,数据长度为5000天,整理采集的原始数据,形成物价指数变化时间序列用于分析预测;
2)对采集的时间序列数据按以天为时间尺度进行划分,获得一个规格化的时间序列数据;
3)对规格化的时间序列数据进行计算;具体如下:
3.1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;在该例中取m=4999;
在本例以天为时间尺度形成的一个规格化时间序列数据中,分别设置n=8,16,32,64等比关系,按以下3.2)至4)方式计算:
3.2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3.3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
3.4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
3.5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
3.7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
4)对规格化的时间序列数据进行临界尺度选择;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
5)对于所取不同n值,根据计算模块的计算结果和步骤4)临界尺度选择步骤确定的备选时间段综合进行时间序列预测。
根据预测结果,可获得农产品价格数据及其由大变小和由小变大的不同时间尺度的时间节点,可以以此指导农产品的合理种植数量和品种。
2.金融交易品K线变化预测
1)记录同一地区同一金融交易品的每天的交易价格数据,数据长度为750天,整理采集的原始数据,形成交易价格时间序列用于分析预测;
2)对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;划分为1分钟、2分钟、4分钟、8分钟、15分钟、30分钟、1小时、2小时、4小时,8小时,16小时等多个规格;
3)对规格化的时间序列数据进行计算;具体如下:
3.1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
3.2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3.3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
3.4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
3.5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli。
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
3.7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi。
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
4)对规格化的时间序列数据进行临界尺度选择;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
5)根据计算模块的计算结果和临界尺度确定模块确定的备选时间段进行时间序列预测。
根据预测结果,可以作为交易员交易的参考。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种时间序列预测装置,其特征在于,包括:
采集模块,用于采集时间序列数据;
规格化模块,用于对采集的数据按设定的时间尺度进行划分形成包含多个等值时间段的时间序列数据,改变时间尺度可获得一个或者多个规格化的时间序列数据;
计算模块,用于对规格化的时间序列数据进行计算;具体如下:
1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli;
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi;
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
临界时间段确定模块,用于对规格化的时间序列数据中的时间段i进行临界确定;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
预测模块,用于根据计算模块的计算结果和临界时间段确定模块的备选时间段进行时间序列预测;
具体如下:
1)若MTL1i>0且Kli为-1,则所在的备选时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的备选时间段i为临界时间段。
2.根据权利要求1所述的装置,其特征在于,所述规格化模块中的时间尺度设定采用以下方法中的一种:
1)多个规格化的时间序列数据的时间尺度为等比关系;
2)多个规格化的时间序列数据的时间尺度为等差关系;
3)多个规格化的时间序列数据的时间尺度为规则的离散关系;
4)在一个规格化的时间序列数据中,通过改变设定n值为等比、等差、或规则离散关系获得等效为时间尺度为等比、等差、或规则离散关系的多个规格化的时间序列数据。
3.根据权利要求1所述的装置,其特征在于,所述规格化模块中的时间尺度设定满足设定后的时间序列数据的个数大于等于1。
4.根据权利要求1所述的装置,其特征在于,所述预测模块的预测方法如下:
1)若MTL1i>0且Kli为-1,且Lli大于或等于Lli+1;则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,且Hhi小于或等于Hhi+1;则所在的时间段i为临界时间段。
5.根据权利要求1所述的装置,其特征在于,n的取值为8。
6.一种时间序列预测方法,包括以下步骤:
1)采集时间序列数据;
2)对采集的时间序列数据按设定时间尺度进行划分,获得多个规格化的时间序列数据;
3)对规格化的时间序列数据进行计算;具体如下:
3.1)以i表示第i个时间段在时间序列中的位置,其中i=m-1,m-2…,1,0;以hi表示在第i个时间段内数据的最大值,以li表示在第i个时间段内数据的最小值;其中,m为所有时间段的个数,i为m-1时对应最早时间段,i为0时对应最后时间段;
3.2)计算第i时间段对应的最大值移动平均值Mhi:
Mhi=(hi+hi+1+…+hi+n-1)/n;
计算第i时间段对应的最小值移动平均值Mli:
Mli=(li+li+1+…+li+n-1)/n;
其中,n为预设值,n大于3,n<=m;
3.3)使用以下公式分别计算第i时间段对应的Dhi和Dli的函数值:
其中,i=1,2,3…,n;
3.4)使用以下公式分别计算第i时间段对应的Hhi和Lli的函数值:
Hhi=Mhi+2*Dhi;
Lli=Mli-2*Dli;
3.5)计算i至i+n-1共n个时间段中所有最小值li的最小值minli,计算i至i+n-1共n个时间段中所有最小值li的最大值maxli;
使用以下公式分别计算第i时间段对应的TL1i和TL2i的值:
TL1i=(li-minli)/(maxli-minli)-dt;
TL2i=(li-maxli)/(maxli-minli)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.6)计算TL1i和TL2i的平均值;
MTL1i=(TL1i+TL1i+1+…+TL1i+n-1)/n;
MTL2i=(TL2i+TL2i+1+…+TL2i+n-1)/n;
3.7)计算i至i+n-1共n个时间段中所有最大值hi的最小值minhi,计算i至i+n-1共n个时间段中所有最大值hi的最大值maxhi;
使用以下公式分别计算第i时间段对应的TH1i和TH2i的值:
TH1i=(hi-minhi)/(maxhi-minhi)-dt;
TH2i=(hi-maxhi)/(maxhi-minhi)+dt;
其中,dt为经验值,取值范围为[0.3,0.5];
3.8)计算TH1i和TH2i的平均值;
MTH1i=(TH1i+TH1i+1+…+TH1i+n-1)/n;
MTH2i=(TH2i+TH2i+1+…+TH2i+n-1)/n;
4)对规格化的时间序列数据进行临界尺度选择;具体如下:
Kli=2*(li-minli+li+1-minli+1)/(maxli-minli+maxli+1-minli+1)-1;
Khi=2*(hi-minhi+hi+1-minhi+1)/(maxhi-minhi+maxhi+1-minhi+1)-1;
若Kli为-1,或Khi为1,则对应的时间段i为临界时间段的备选时间段;
5)根据均值模块的计算结果和临界尺度选择步骤确定的备选时间段进行时间序列预测。
7.根据权利要求6所述的方法,其特征在于,所述步骤5)中的预测方法具体如下:
1)若MTL1i>0且Kli为-1,则所在的备选时间段i为临界时间段;
2)若MTH2i<0且Khi为1,则所在的备选时间段i为临界时间段。
8.根据权利要求6所述的方法,其特征在于,所述步骤5)中的预测方法具体如下:
1)若MTL1i>0且Kli为-1,且Lli大于或等于Lli+1;则所在的时间段i为临界时间段;
2)若MTH2i<0且Khi为1,且Hhi小于或等于Hhi+1;则所在的时间段i为临界时间段。
9.根据权利要求6所述的方法,其特征在于,所述步骤2)中时间尺度设定采用以下方法中的一种:
1)多个规格化的时间序列数据的时间尺度为等比关系;
2)多个规格化的时间序列数据的时间尺度为等差关系;
3)多个规格化的时间序列数据的时间尺度为规则的离散关系;
4)在一个规格化的时间序列数据中,通过改变设定n值为等比、等差、或规则离散关系获得等效为时间尺度为等比、等差、或规则离散关系的多个规格化的时间序列数据。
10.根据权利要求6所述的方法,其特征在于,n的取值为8。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168731.1A CN106156465B (zh) | 2015-04-10 | 2015-04-10 | 时间序列预测方法与装置 |
PCT/CN2016/078681 WO2016161946A1 (zh) | 2015-04-10 | 2016-04-07 | 时间序列预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510168731.1A CN106156465B (zh) | 2015-04-10 | 2015-04-10 | 时间序列预测方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106156465A CN106156465A (zh) | 2016-11-23 |
CN106156465B true CN106156465B (zh) | 2019-03-08 |
Family
ID=57073067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510168731.1A Active CN106156465B (zh) | 2015-04-10 | 2015-04-10 | 时间序列预测方法与装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106156465B (zh) |
WO (1) | WO2016161946A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495944A (zh) * | 2011-11-11 | 2012-06-13 | 苏州大学 | 一种时间序列预测方法、设备和系统 |
CN103413038A (zh) * | 2013-08-01 | 2013-11-27 | 雷英杰 | 基于矢量量化的长期直觉模糊时间序列预测方法 |
CN104462793A (zh) * | 2014-11-25 | 2015-03-25 | 北京数迅科技有限公司 | 时间序列实时预测方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102539822B (zh) * | 2011-12-31 | 2014-10-29 | 东北电力大学 | 一种短期风速预测方法 |
CN103294729B (zh) * | 2012-03-05 | 2016-08-17 | 富士通株式会社 | 处理、预测包含样本点的时间序列的方法和设备 |
CN103886018B (zh) * | 2014-02-21 | 2017-02-08 | 车智互联(北京)科技有限公司 | 数据预测装置、数据预测方法以及电子设备 |
-
2015
- 2015-04-10 CN CN201510168731.1A patent/CN106156465B/zh active Active
-
2016
- 2016-04-07 WO PCT/CN2016/078681 patent/WO2016161946A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495944A (zh) * | 2011-11-11 | 2012-06-13 | 苏州大学 | 一种时间序列预测方法、设备和系统 |
CN103413038A (zh) * | 2013-08-01 | 2013-11-27 | 雷英杰 | 基于矢量量化的长期直觉模糊时间序列预测方法 |
CN104462793A (zh) * | 2014-11-25 | 2015-03-25 | 北京数迅科技有限公司 | 时间序列实时预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
多维时序数据中的相似子序列搜索研究;程文聪等;《计算机研究与发展》;20101231;第47卷(第3期);416-425 |
Also Published As
Publication number | Publication date |
---|---|
CN106156465A (zh) | 2016-11-23 |
WO2016161946A1 (zh) | 2016-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
CN103116711B (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
KR102346188B1 (ko) | 전력 수요 예측 방법 및 장치 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
CN104657791A (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及系统 | |
CN110009419A (zh) | 基于经济景气法的改进时间序列售电量预测方法及系统 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
Yurdakul et al. | Very short-term power system frequency forecasting | |
CN105303268A (zh) | 基于相似度理论的风力发电输出功率预测方法 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
CN108287928A (zh) | 一种基于局部加权线性回归的空间属性预测方法 | |
CN106980874A (zh) | 一种面向配网大数据的多时态维度数据融合方法 | |
CN107256437A (zh) | 一种光伏电站超短期辐照度预测方法及系统 | |
CN106156465B (zh) | 时间序列预测方法与装置 | |
Ma et al. | An intelligent classification framework for complex PQDs using optimized KS-transform and multiple fusion CNN | |
Czekalski et al. | Parameterization of daily solar irradiance variability | |
CN109993335A (zh) | 一种用于风电功率的概率预报方法及系统 | |
Szabó et al. | Parametric Postprocessing of Dual-Resolution Precipitation Forecasts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |