CN107133606A - 一种时间序列趋势提取的方法及装置 - Google Patents
一种时间序列趋势提取的方法及装置 Download PDFInfo
- Publication number
- CN107133606A CN107133606A CN201710384826.6A CN201710384826A CN107133606A CN 107133606 A CN107133606 A CN 107133606A CN 201710384826 A CN201710384826 A CN 201710384826A CN 107133606 A CN107133606 A CN 107133606A
- Authority
- CN
- China
- Prior art keywords
- optimal
- extracted
- white noise
- time series
- trend
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种时间序列趋势提取的方法及装置,通过获取待提取时间序列;基于自适应IMF分量和待提取时间序列的相关度,以及自适应IMF分量与待提取时间序列的RRMSE值,计算最优白噪声幅值;根据最优白噪声幅值,计算最优集合平均数;基于最优白噪声幅值以及最优集合平均数,利用互补集合经验模式分解方法,对待提取时间序列进行分解,得出IMF分量和残余分量,提取待提取时间序列的趋势序列。本申请根据待提取时间序列,自适应计算最优白噪声幅值,基于最优白噪声幅值,计算最优集合平均数,将最优白噪声幅值和最优集合平均数作为CEEMD分解参数,相较于人工设定,自适应计算白噪声幅值和集合平均数,可以满足各种应用情况。
Description
技术领域
本发明涉及时间序列处理领域,特别是涉及一种时间序列趋势提取的方法及装置。
背景技术
时间序列是一系列基于连续时间的观测数值,其广泛地出现在各种领域,例如经济学、工程学以及海洋科学等。
时间序列主要是两种成分的复合体,一种成分是趋势,另一种是与序列不相关或相关度较低的干扰成分。时间序列趋势提取之后,可以对趋势进行分析,以获取许多有价值的信息,并可以进一步的用于诸如时间序列的预测等任务。
现有的趋势提取方法有很多,例如经验模式分解法(EMD,empirical modedecomposition)以及互补集合经验模式分解法(CEEMD,Complementary empirical modedecomposition)。EEMD方法可以解决了EMD方法中模态混叠的问题,而CEEMD方法是在EEMD方法的基础上,为了降低重构误差,将白噪声改为正负的白噪声对得出的改进方法。但是,CEEMD方法在实施的过程中,两个重要的参数必须预先设定,即所添加白噪声的幅值以及集合平均数,依靠人为的经验设定。显然,人为设定的经验值无法满足各种应用情况。
发明内容
本发明的目的是提供一种时间序列趋势提取的方法及装置,目的在于解决现有技术根据经验人为设定CEEMD方法中的白噪声幅值和集合平均数,无法满足各种应用情况的问题。
为解决上述技术问题,本发明提供一种时间序列趋势提取的方法,该方法包括:
获取待提取时间序列;
基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值;
根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;
基于所述最优白噪声幅值以及所述最优集合平均数,利用所述互补集合经验模式分解方法,对所述待提取时间序列进行分解,得出最优IMF分量和最优残余分量;
根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列。
可选地,所述根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列包括:
利用希尔伯特变换,计算出全部所述最优IMF分量的希尔伯特边缘谱;
根据在第一预设范围内取值的预设频率划分参数,将所述希尔伯特边缘谱划分为低频区域、中频区域以及高频区域;
以第一预设步进,依次对所述预设频率划分参数取值,计算各个频率区域的能量权重,并将各个所述能量权重进行低频归一化,得出低频能量权重;
当所述低频能量权重大于第一预设阈值时,将当前最优IMF分量作为趋势构造IMF分量,形成待选趋势序列;
根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列。
可选地,所述根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列包括:
基于趋势序列优化度评价公式,计算出所述待选趋势序列的优化度;
将最大优化度对应的待选趋势序列作为所述趋势序列;
其中,所述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为所述待选趋势序列与所述待提取时间序列的相关系数,d1∈[-1,1];d2为所述待选趋势序列与所述噪声干扰成分的相关系数,d2∈[-1,1]。
可选地,所述基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值包括:
基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新所述初始白噪声幅值,得出自适应白噪声幅值;
根据所述自适应白噪声幅值,利用互补集合经验模式分解方法,对所述待提取时间序列分解,得到所述自适应IMF分量;
寻找出与所述待提取时间序列相关度最大的自适应IMF分量;
计算得出所述相关度最大的自适应IMF分量的所述RRMSE值;
当所述自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为所述最优白噪声幅值。
可选地,所述根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数包括:
根据所述最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;
根据所述参数组合,利用互补集合经验模式分解方法,对所述待提取时间序列进行分解,并计算出对应的重构误差的标准差;
寻找出最小标准差,将所述最小标准差对应的集合平均数作为所述最优集合平均数。
此外,本发明还提供了一种时间序列趋势提取的装置,该装置包括:
获取模块,用于获取待提取时间序列;
最优白噪声幅值计算模块,用于基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值;
最优集合平均数计算模块,用于根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;
分解模块,用于基于所述最优白噪声幅值以及所述最优集合平均数,利用所述互补集合经验模式分解方法,对所述待提取时间序列进行分解,得出最优IMF分量和最优残余分量;
提取模块,用于根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列。
可选地,所述提取模块包括:
希尔伯特边缘谱计算单元,用于利用希尔伯特变换,计算出全部所述最优IMF分量的希尔伯特边缘谱;
频率区域划分单元,用于根据在第一预设范围内取值的预设频率划分参数,将所述希尔伯特边缘谱划分为低频区域、中频区域以及高频区域;
能量权重计算单元,用于以第一预设步进,依次对所述预设频率划分参数取值,计算各个频率区域的能量权重,并将各个所述能量权重进行低频归一化,得出低频能量权重;
待选趋势序列选择单元,用于当所述低频能量权重大于第一预设阈值时,将当前IMF分量作为趋势构造IMF分量,形成待选趋势序列;
选取单元,用于根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列。
可选地,所述选择单元包括:
优化度计算子单元,用于基于趋势序列优化度评价公式,计算出所述待选趋势序列的优化度;
选择子单元,用于将最大优化度对应的待选趋势序列作为所述趋势序列;
其中,所述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为所述待选趋势序列与所述待提取时间序列的相关系数,d1∈[-1,1];d2为所述待选趋势序列与所述噪声干扰成分的相关系数,d2∈[-1,1]。
可选地,所述最优白噪声幅值计算模块包括:
迭代单元,用于基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新所述初始白噪声幅值,得出自适应白噪声幅值;
自适应分解单元,用于根据所述自适应白噪声幅值,利用互补集合经验模式分解方法,对所述待提取时间序列分解,得到所述自适应IMF分量;
寻找单元,用于寻找出与所述待提取时间序列相关度最大的自适应IMF分量;
RRMSE值计算单元,用于计算得出所述相关度最大的自适应IMF分量的所述RRMSE值;
最优白噪声幅值选择单元,用于当所述自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为所述最优白噪声幅值。
可选地,所述最优集合平均数计算模块包括:
参数组合组成单元,用于根据所述最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;
分解计算单元,用于根据所述参数组合,利用互补集合经验模式分解方法,对所述待提取时间序列进行分解,并计算出对应的重构误差的标准差;
最小标准差寻找单元,用于寻找出最小标准差,将所述最小标准差对应的集合平均数作为所述最优集合平均数。
本发明所提供的一种时间序列趋势提取的方法及装置,通过获取待提取时间序列;基于利用自适应参数对待提取时间序列分解得到的自适应IMF分量和待提取时间序列的相关度,以及自适应IMF分量与待提取时间序列的RRMSE值,计算出最优白噪声幅值;根据最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;基于最优白噪声幅值以及最优集合平均数,利用互补集合经验模式分解方法,对待提取时间序列进行分解,得出最优IMF分量和最优残余分量;根据最优IMF分量以及最优残余分量,提取出待提取时间序列的趋势序列。本申请根据待提取时间序列,自适应计算出最优白噪声幅值,然后再基于最优白噪声幅值,计算出最优集合平均数,将计算得出的最优白噪声幅值和最优集合平均数作为CEEMD的分解参数,相较于人工设定分解参数,自适应计算确定白噪声幅值和集合平均数,可以满足各种应用情况。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的时间序列趋势提取方法的一种具体实施方式的流程示意图;
图2为本发明实施例所提供的基于加权能量分布的希尔伯特边缘谱的趋势提取方法的一种具体实施方式的流程示意图;
图3为本发明实施例所提供的时间序列趋势提取装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅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。
请参见图1,图1为本发明实施例所提供的时间序列趋势提取方法的一种具体实施方式的流程示意图,该方法包括以下步骤:
步骤101:获取待提取时间序列。
步骤102:基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值。
需要说明的是,上述待提取时间序列可以具体表现为信号x(t)。上述自适应参数可以是指以预设步进,更新初始参数得出的参数,例如,设置初始白噪声幅值为A0,初始集合平均数为M0,每次以步进为m更新白噪声幅值,即An=An-1+m。
此时,白噪声幅值依次迭代更新,集合平均数不变,利用CEEMD方法,依次分解待提取时间序列,得出相应的本征模态函数(IMF,Intrinsic Mode Function)分量,即上述自适应IMF分量。
利用迭代产生的白噪声幅值和初始集合平均数组成参数组合(A,M0),来对待提取时间序列进行分解,即即每一个A值,分解一次待提取时间序列,得出相应的IMF分量和残余分量。迭代多次,产生多个A值,则会产生多个自适应IMF分量序列。
上述相关度可以是通过相关度公式计算出来,具体地,对于每一个A值分解得到的自适应IMF分量序列,依次计算各个自适应IMF分量与待提取时间序列的相关度,计算完之后,寻找出相关度最大的自适应IMF分量Cmax(t),依次计算出各个自适应IMF分量序列中相关度最大的IMF分量Cmax(t)。
上述RRMSE值可以通过公式求出,即在寻找出各个IMF分量Cmax(t)之后,再求出该相关度最大的IMF分量和待提取时间序列的均方根相对误差。
依据各个白噪声幅值,分解得出各个IMF分量,再计算得出各个IMF分量的RRMSE值后,寻找出RRMSE最大值,将该RRMSE最大值对应的白噪声幅值作为最优白噪声幅值。
作为一种具体实施方式,上述基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值的过程可以具体为:基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新所述初始白噪声幅值,得出自适应白噪声幅值;根据所述自适应白噪声幅值,利用互补集合经验模式分解方法,对所述待提取时间序列分解,得到所述自适应IMF分量;寻找出与所述待提取时间序列相关度最大的自适应IMF分量;计算得出所述相关度最大的自适应IMF分量的所述RRMSE值;当所述自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为所述最优白噪声幅值。
需要说明的是,上述初始白噪声幅值可以设为A0=0.1SD(SD为待提取时间序列的幅值的标准差),也可以设为其它数值,在此不作限定。
上述初始集合平均数可以设为M0=10,也可以设为其它数值,在此不作限定。
上述第二预设步进可以具体设为0.01SD,此时,迭代更新白噪声幅值,得到的自适应白噪声幅值可以表示为An=An-1+0.01SD。然后可以根据每一次更新得到的白噪声幅值,对待提取时间序列进行分解,得出相应的IMF分量和残余分量。
上述第二预设阈值可以具体为0.4SD,即当迭代更新得到的白噪声幅值An>0.4SD时,迭代更新停止;当然,也可以设为其它数值,在此不作限定。
接着可以寻找出每次分解得到的IMF分量中相关度最大的Cmax(t),计算Cmax(t)的RRMSE值,再将最大的RRMSE值对应的白噪声幅值作为最优白噪声幅值Aopt。
可以看出,基于待提取时间序列的幅值的标准差,迭代更新白噪声幅值,利用RRMSE参数来自适应得出最优白噪声幅值。进而可以根据每次输入的待提取时间序列的不同,自适应计算出相应的最优白噪声幅值,不用人工设置白噪声幅值。
步骤103:根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数。
可以理解的是,CEEMD方法中进行的集合平均是为了抵消白噪声,此时,重构误差的大小作为评价集合平均数是否合适的量化指标,故在计算出最优白噪声幅值之后,可以通过重构误差进一步自适应计算出最优集合平均数。
重构误差可以由原信号减去CEEMD分解得到的IMF分量和残余分量得到,即求出重构误差后,可以计算重构误差的标准差ε,再由(A为白噪声幅值)确定集合平均数N的值。
为了寻找出最优集合平均数,可以设定集合平均数的取值范围,依次计算该取值范围内的各个集合平均数的ε值,以此来确定最优集合平均数。
作为一种具体实施方式,上述根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数的过程可以具体为:根据所述最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;根据所述参数组合,利用互补集合经验模式分解方法,对所述待提取时间序列进行分解,并计算出对应的重构误差的标准差;寻找出最小标准差,将所述最小标准差对应的集合平均数作为所述最优集合平均数。
需要说明的是,上述第三预设范围可以是具体为[10,200],当然,也可以具体为其它范围,在此不作限定。
上述参数组合可以具体为(Aopt,Mi),Aopt为最优白噪声幅值,Mi为集合平均数,Mi∈[10,200]。
然后根据每个参数组合,依次对待提取时间序列进行分解,再求出相应的标准差ε,即接着可以寻找出最小标准差εmin。将最小标准差εmin对应的集合平均数N作为最优集合平均数Mopt。
可以看出,利用CEEMD方法的特性,根据确定的最优白噪声幅值,来确定最优集合平均数,进而可以根据所输入的待提取时间序列的不同,自适应确定最优集合平均数。
步骤104:基于所述最优白噪声幅值以及所述最优集合平均数,利用所述互补集合经验模式分解方法,对所述待提取时间序列进行分解,得出最优IMF分量和最优残余分量。
可以理解的是,分解之后,可以得到有效且合适的IMF分量和残余分量,即其中x(t)表示原信号,表示分解得到的最优IMF分量,表示分解得到的最优残余分量,m表示最优IMF分量的总个数。
步骤105:根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列。
在进行CEEMD分解,得到有效且合适的IMF分量和残余分量后,可以选出其中一部分信号分量,构造出原信号的趋势。
由于EMD方法对信号的分解是根据信号自身的局部时间尺度来展开的,随着分解过程的进行,具有不同时间尺度的成分被逐渐分离出来。同时时间尺度较小的成分先被分离出来,时间尺度较大的后被分离出来。从而EMD分解得到的IMF分量随着阶数的增加,频率由高到低变化,最终的残余分量变成了一个单调的函数。故构成信号趋势的IMF分量应是阶数较高的若干个IMF分量。信号x(t)可以分解为:
其中,T(t)表示信号x(t)的趋势,V(t)表示包含在x(t)中一些不规则的扰动或者低相关的干扰成分,p表示能将T(t)和V(t)区分开的一个参数。
可以理解的是,可以从最优IMF分量中选取出符合条件的IMF分量作为趋势构造IMF分量,而判断当前IMF分量是否为趋势构造IMF分量的判断阈值可以是经验阈值,即该阈值是人工设定的。
但是,判断阈值为经验阈值,导致判别阈值无法根据信号本身的特性进行自适应的调整。为克服上述问题,可以自适应确定判断阈值,来自适应选取出符合条件的IMF分量。具体可以通过加权能量分布的希尔伯特边缘谱方法来自适应选取IMF分量,而由于残余分量可以直接作为信号的趋势,进而可以提取出待提取时间序列的趋势序列。
本发明实施例所提供的时间序列趋势提取的方法,通过获取待提取时间序列;基于利用自适应参数对待提取时间序列分解得到的自适应IMF分量和待提取时间序列的相关度,以及自适应IMF分量与待提取时间序列的RRMSE值,计算出最优白噪声幅值;根据最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;基于最优白噪声幅值以及最优集合平均数,利用互补集合经验模式分解方法,对待提取时间序列进行分解,得出最优IMF分量和最优残余分量;根据最优IMF分量以及最优残余分量,提取出待提取时间序列的趋势序列。该方法根据待提取时间序列,自适应计算出最优白噪声幅值,然后再基于最优白噪声幅值,计算出最优集合平均数,将计算得出的最优白噪声幅值和最优集合平均数作为CEEMD的分解参数,相较于人工设定分解参数,自适应计算确定白噪声幅值和集合平均数,可以满足各种应用情况。
请参见图2,图2为本发明实施例所提供的基于加权能量分布的希尔伯特边缘谱的趋势提取方法的一种具体实施方式的流程示意图。
基于上述实施例,上述根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列的过程可以包括以下步骤:
步骤201:利用希尔伯特变换,计算出全部最优IMF分量的希尔伯特边缘谱。
显而易见地,利用希尔伯特变换计算出希尔伯特边缘谱(HMS,Hilbert MarginalSpectrum)为本领域技术人员所熟知,在此不再赘述。
步骤202:根据在第一预设范围内取值的预设频率划分参数,将希尔伯特边缘谱划分为低频区域、中频区域以及高频区域。
需要说明的是,上述预设频率划分参数具体可以记为a,可以根据a来划分HMS,得到低频区域、中频区域以及高频区域,分别占总频率区域的a%,(100-2a)%,a%。上述第一预设范围可以具体为[10,30]即a∈[10,30]。
步骤203:以第一预设步进,依次对预设频率划分参数取值,计算各个频率区域的能量权重,并将各个能量权重进行低频归一化,得出低频能量权重。
需要说明的是,上述第一预设步进可以具体为2,此时,当前数值为a,下一次预设频率划分参数则为a+2;当然,也可以为其它数值,在此不作限定。
对于每一a值,计算当前a值下的各个频率区域的能量权重。具体地,可以在对应的频率区域内,通过对各个频率区域内的极大值进行累积,得到各个频率区域对应的HMS能量权重。可以记mj,1为第j个IMF分量在低频区域的HMS能量权重,mj,2为第j个IMF分量在中频区域的能量权重,mj,3为第j个IMF分量在高频区域的能量权重。再进一步可以通过来对三个频率区域的能量权重进行归一化,求出低频区域的能量权重Mj,1。
步骤204:当低频能量权重大于第一预设阈值时,将当前最优IMF分量作为趋势构造IMF分量,形成待选趋势序列。
可以理解的是,上述第一预设阈值可以具体为0.5,此时,当低频区域能量权重Mj,1大于或等于0.5时,则该最优IMF分量符合趋势构造的条件,可以作为趋势构造分量;当然,第一预设阈值也可以为大于0.5以上的数值,在此不作限定。
当全部符合条件的最优IMF分量被选取出后,可以和残余分量构成待选趋势序列,即将全部符合条件的分量进行累加,得出待选趋势序列。进而对于每一个a值,都有其对应的一个待选趋势序列。
步骤205:根据待选趋势序列与所述待提取时间序列的相关度,以及待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将最优待选趋势序列作为所述趋势序列。
需要说明的是,上述噪声干扰成分可以具体为第一个IMF分量,即将第一IMF分量作为噪声干扰成分。
得出一组待选趋势序列后,可以基于相关度,从中选取最优待选趋势序列,作为最终的趋势序列。
作为一种具体实施方式,上述根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列的过程可以具体为:基于趋势序列优化度评价公式,计算出所述待选趋势序列的优化度;将最大优化度对应的待选趋势序列作为所述趋势序列;其中,所述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为所述待选趋势序列与所述待提取时间序列的相关系数,d1∈[-1,1];d2为所述待选趋势序列与所述噪声干扰成分的相关系数,d2∈[-1,1]。
可以理解的是,趋势为信号的主成分分量,故对应的趋势应同时与原信号具有较大的相关度而与噪声干扰成分具有较小的相关度,这两方面的相关应是均衡的,因此各占50%的权重。
计算各个Di之后,寻找其中的最大值Dmax,并将Dmax对应的待选趋势序列作为最终的趋势序列。
本发明实施例所提供的时间序列趋势提取的方法,利用IMF分量的希尔伯特边缘谱,计算出各个频率区域的HMS能量权重,并对权重进行归一化,得出低频能量权重;基于低频能量权重,选取出符合趋势构造的IMF分量,形成待选趋势序列;根据相关度大小,确定出最终的趋势序列,可以自适应地选取出符合趋势构造的IMF分量,相较于人工设定判断阈值,其可以根据待提取时间序列自身特性进行自适应选择,适应于各种情况。
下面对本发明实施例提供的时间序列趋势提取装置进行介绍,下文描述的时间序列趋势提取装置与上文描述的时间序列趋势提取方法可相互对应参照。
图3为本发明实施例所提供的时间序列趋势提取装置的结构框图,参照图3时间序列趋势提取装置可以包括:
获取模块31,用于获取待提取时间序列;
最优白噪声幅值计算模块32,用于基于利用自适应参数对待提取时间序列分解得到的自适应IMF分量和待提取时间序列的相关度,以及自适应IMF分量与待提取时间序列的RRMSE值,计算出最优白噪声幅值;
最优集合平均数计算模块33,用于根据最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;
分解模块34,用于基于最优白噪声幅值以及最优集合平均数,利用互补集合经验模式分解方法,对待提取时间序列进行分解,得出最优IMF分量和最优残余分量;
提取模块35,用于根据最优IMF分量以及最优残余分量,提取出待提取时间序列的趋势序列。
可选地,上述提取模块包括:
希尔伯特边缘谱计算单元,用于利用希尔伯特变换,计算出全部最优IMF分量的希尔伯特边缘谱;
频率区域划分单元,用于根据在第一预设范围内取值的预设频率划分参数,将希尔伯特边缘谱划分为低频区域、中频区域以及高频区域;
能量权重计算单元,用于以第一预设步进,依次对预设频率划分参数取值,计算各个频率区域的能量权重,并将各个能量权重进行低频归一化,得出低频能量权重;
待选趋势序列选择单元,用于当低频能量权重大于第一预设阈值时,将当前最优IMF分量作为趋势构造IMF分量,形成待选趋势序列;
选取单元,用于根据待选趋势序列与待提取时间序列的相关度,以及待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将最优待选趋势序列作为趋势序列。
可选地,上述选择单元包括:
优化度计算子单元,用于基于趋势序列优化度评价公式,计算出待选趋势序列的优化度;
选择子单元,用于将最大优化度对应的待选趋势序列作为趋势序列;
其中,上述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为待选趋势序列与待提取时间序列的相关系数,d1∈[-1,1];d2为待选趋势序列与噪声干扰成分的相关系数,d2∈[-1,1]。
可选地,上述最优白噪声幅值计算模块包括:
迭代单元,用于基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新初始白噪声幅值,得出自适应白噪声幅值;
自适应分解单元,用于根据自适应白噪声幅值,利用互补集合经验模式分解方法,对待提取时间序列分解,得到自适应IMF分量;
寻找单元,用于寻找出与待提取时间序列相关度最大的自适应IMF分量;
RRMSE值计算单元,用于计算得出相关度最大的自适应IMF分量的RRMSE值;
最优白噪声幅值选择单元,用于当自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为最优白噪声幅值。
可选地,上述最优集合平均数计算模块包括:
参数组合组成单元,用于根据最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;
分解计算单元,用于根据参数组合,利用互补集合经验模式分解方法,对待提取时间序列进行分解,并计算出对应的重构误差的标准差;
最小标准差寻找单元,用于寻找出最小标准差,将最小标准差对应的集合平均数作为最优集合平均数。
本发明实施例所提供的时间序列趋势提取装置,该装置根据待提取时间序列,自适应计算出最优白噪声幅值,然后再基于最优白噪声幅值,计算出最优集合平均数,将计算得出的最优白噪声幅值和最优集合平均数作为CEEMD的分解参数,相较于人工设定分解参数,自适应计算确定白噪声幅值和集合平均数,可以满足各种应用情况。
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它实施例的不同之处,各个实施例之间相同或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。
以上对本发明所提供的时间序列趋势提取的方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种时间序列趋势提取的方法,其特征在于,包括:
获取待提取时间序列;
基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值;
根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;
基于所述最优白噪声幅值以及所述最优集合平均数,利用所述互补集合经验模式分解方法,对所述待提取时间序列进行分解,得出最优IMF分量和最优残余分量;
根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列。
2.如权利要求1所述的方法,其特征在于,所述根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列包括:
利用希尔伯特变换,计算出全部所述最优IMF分量的希尔伯特边缘谱;
根据在第一预设范围内取值的预设频率划分参数,将所述希尔伯特边缘谱划分为低频区域、中频区域以及高频区域;
以第一预设步进,依次对所述预设频率划分参数取值,计算各个频率区域的能量权重,并将各个所述能量权重进行低频归一化,得出低频能量权重;
当所述低频能量权重大于第一预设阈值时,将当前最优IMF分量作为趋势构造IMF分量,形成待选趋势序列;
根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列。
3.如权利要求2所述的方法,其特征在于,所述根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列包括:
基于趋势序列优化度评价公式,计算出所述待选趋势序列的优化度;
将最大优化度对应的待选趋势序列作为所述趋势序列;
其中,所述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为所述待选趋势序列与所述待提取时间序列的相关系数,d1∈[-1,1];d2为所述待选趋势序列与所述噪声干扰成分的相关系数,d2∈[-1,1]。
4.如权利要求2所述的方法,其特征在于,所述基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值包括:
基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新所述初始白噪声幅值,得出自适应白噪声幅值;
根据所述自适应白噪声幅值,利用互补集合经验模式分解方法,对所述待提取时间序列分解,得到所述自适应IMF分量;
寻找出与所述待提取时间序列相关度最大的自适应IMF分量;
计算得出所述相关度最大的自适应IMF分量的所述RRMSE值;
当所述自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为所述最优白噪声幅值。
5.如权利要求1至4任一项所述的方法,其特征在于,所述根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数包括:
根据所述最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;
根据所述参数组合,利用互补集合经验模式分解方法,对所述待提取时间序列进行分解,并计算出对应的重构误差的标准差;
寻找出最小标准差,将所述最小标准差对应的集合平均数作为所述最优集合平均数。
6.一种时间序列趋势提取的装置,其特征在于,包括:
获取模块,用于获取待提取时间序列;
最优白噪声幅值计算模块,用于基于利用自适应参数对所述待提取时间序列分解得到的自适应IMF分量和所述待提取时间序列的相关度,以及所述自适应IMF分量与所述待提取时间序列的RRMSE值,计算出最优白噪声幅值;
最优集合平均数计算模块,用于根据所述最优白噪声幅值,依据互补集合经验模式分解方法中白噪声幅值与集合平均数的特性,计算出最优集合平均数;
分解模块,用于基于所述最优白噪声幅值以及所述最优集合平均数,利用所述互补集合经验模式分解方法,对所述待提取时间序列进行分解,得出最优IMF分量和最优残余分量;
提取模块,用于根据所述最优IMF分量以及所述最优残余分量,提取出所述待提取时间序列的趋势序列。
7.如权利要求6所述的装置,其特征在于,所述提取模块包括:
希尔伯特边缘谱计算单元,用于利用希尔伯特变换,计算出全部所述最优IMF分量的希尔伯特边缘谱;
频率区域划分单元,用于根据在第一预设范围内取值的预设频率划分参数,将所述希尔伯特边缘谱划分为低频区域、中频区域以及高频区域;
能量权重计算单元,用于以第一预设步进,依次对所述预设频率划分参数取值,计算各个频率区域的能量权重,并将各个所述能量权重进行低频归一化,得出低频能量权重;
待选趋势序列选择单元,用于当所述低频能量权重大于第一预设阈值时,将当前IMF分量作为趋势构造IMF分量,形成待选趋势序列;
选取单元,用于根据所述待选趋势序列与所述待提取时间序列的相关度,以及所述待选趋势序列与噪声干扰成分的相关度,选取出最优待选趋势序列,将所述最优待选趋势序列作为所述趋势序列。
8.如权利要求7所述的装置,其特征在于,所述选择单元包括:
优化度计算子单元,用于基于趋势序列优化度评价公式,计算出所述待选趋势序列的优化度;
选择子单元,用于将最大优化度对应的待选趋势序列作为所述趋势序列;
其中,所述趋势序列优化度评价公式为Di=0.5|d1-1|+0.5|d2-1|,Di为趋势序列优化度平均参数;d1为所述待选趋势序列与所述待提取时间序列的相关系数,d1∈[-1,1];d2为所述待选趋势序列与所述噪声干扰成分的相关系数,d2∈[-1,1]。
9.如权利要求7所述的装置,其特征在于,所述最优白噪声幅值计算模块包括:
迭代单元,用于基于预先设置的初始白噪声幅值以及初始集合平均数,以第二预设步进,迭代更新所述初始白噪声幅值,得出自适应白噪声幅值;
自适应分解单元,用于根据所述自适应白噪声幅值,利用互补集合经验模式分解方法,对所述待提取时间序列分解,得到所述自适应IMF分量;
寻找单元,用于寻找出与所述待提取时间序列相关度最大的自适应IMF分量;
RRMSE值计算单元,用于计算得出所述相关度最大的自适应IMF分量的所述RRMSE值;
最优白噪声幅值选择单元,用于当所述自适应白噪声幅值大于第二预设阈值时,停止迭代,将最大RRMSE值对应的自适应白噪声幅值作为所述最优白噪声幅值。
10.如权利要求6至9任一项所述的装置,其特征在于,所述最优集合平均数计算模块包括:
参数组合组成单元,用于根据所述最优白噪声幅值,以及依次在第三预设范围内取值得出的集合平均数,组成多个参数组合;
分解计算单元,用于根据所述参数组合,利用互补集合经验模式分解方法,对所述待提取时间序列进行分解,并计算出对应的重构误差的标准差;
最小标准差寻找单元,用于寻找出最小标准差,将所述最小标准差对应的集合平均数作为所述最优集合平均数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710384826.6A CN107133606A (zh) | 2017-05-26 | 2017-05-26 | 一种时间序列趋势提取的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710384826.6A CN107133606A (zh) | 2017-05-26 | 2017-05-26 | 一种时间序列趋势提取的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107133606A true CN107133606A (zh) | 2017-09-05 |
Family
ID=59734210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710384826.6A Pending CN107133606A (zh) | 2017-05-26 | 2017-05-26 | 一种时间序列趋势提取的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133606A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615017A (zh) * | 2018-04-28 | 2018-10-02 | 山东科技大学 | 滑动窗分段直线表示法的总拟合误差阈值估计方法与系统 |
CN110908001A (zh) * | 2019-12-16 | 2020-03-24 | 吉林大学 | 一种大地电磁测深信号的重构方法及系统 |
CN113515671A (zh) * | 2021-07-01 | 2021-10-19 | 河北工业大学 | 继电器时间参数异常值识别方法、服务端及存储介质 |
-
2017
- 2017-05-26 CN CN201710384826.6A patent/CN107133606A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615017A (zh) * | 2018-04-28 | 2018-10-02 | 山东科技大学 | 滑动窗分段直线表示法的总拟合误差阈值估计方法与系统 |
CN110908001A (zh) * | 2019-12-16 | 2020-03-24 | 吉林大学 | 一种大地电磁测深信号的重构方法及系统 |
CN113515671A (zh) * | 2021-07-01 | 2021-10-19 | 河北工业大学 | 继电器时间参数异常值识别方法、服务端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133606A (zh) | 一种时间序列趋势提取的方法及装置 | |
CN112116001B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN108897719B (zh) | 基于自适应遗传算法的气象数据缺失值填补方法 | |
Khan et al. | Novel approach for a van der pol oscillator in the continuous time domain | |
CN109067427A (zh) | 一种基于优化型小波神经网络的跳频序列预测方法 | |
CN108961157A (zh) | 图片处理方法、图片处理装置及终端设备 | |
CN106646615A (zh) | 一种面波频散曲线的数据处理方法及装置 | |
CN106528755A (zh) | 热点话题的生成方法及装置 | |
CN107180056A (zh) | 视频中片段的匹配方法和装置 | |
CN110275910A (zh) | 一种不平衡数据集的过采样方法 | |
CN107766201A (zh) | 一种软件处理方法和装置、电子设备 | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
Liao et al. | Performance comparison of three data-poor methods with various types of data on assessing southern Atlantic albacore fishery | |
CN110702986A (zh) | 一种自适应信号搜索门限实时动态生成方法及系统 | |
CN107507199A (zh) | 一种图像分割方法及系统 | |
CN102930865B (zh) | 一种波形音乐粗情感软切割分类方法 | |
CN105160003B (zh) | 一种基于地理位置的app检索排序方法及系统 | |
CN103903232A (zh) | 在小波域利用进化规划进行图像去噪和增强的方法 | |
CN108712222A (zh) | 一种协作频谱感知方法及相关装置 | |
CN105589896B (zh) | 数据挖掘方法及装置 | |
CN107212881A (zh) | 一种t波电交替检测方法 | |
CN109063916A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN103455525B (zh) | 基于用户的搜索推广行为确定推广帐号状态的方法与设备 | |
KR102357475B1 (ko) | 개선된 gbtd 알고리즘을 이용한 에너지 절도 검출 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |
|
RJ01 | Rejection of invention patent application after publication |