CN111949713A - 一种时间序列的走势转换拐点预测计算方法及其装置 - Google Patents

一种时间序列的走势转换拐点预测计算方法及其装置 Download PDF

Info

Publication number
CN111949713A
CN111949713A CN202010919043.5A CN202010919043A CN111949713A CN 111949713 A CN111949713 A CN 111949713A CN 202010919043 A CN202010919043 A CN 202010919043A CN 111949713 A CN111949713 A CN 111949713A
Authority
CN
China
Prior art keywords
inflection point
short
term
slope
conversion
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
Application number
CN202010919043.5A
Other languages
English (en)
Inventor
洪志令
吴梅红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010919043.5A priority Critical patent/CN111949713A/zh
Publication of CN111949713A publication Critical patent/CN111949713A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种针对时间序列的走势转换拐点的计算方法。方法首先设计了一种时间序列转换拐点计算的框架；在此基础上，根据时间序列的历史走势，总结经验，设计相应的计算策略并将其添加到框架中。方法根据所依据计算数据的范围，将输出结果分为两种典型的操作类型：高频方式和低频方式。对两种方式分别进行训练获得最佳参数后，对每只时间序列在每天数据更新后，计算该时间序列当日是否出现转换拐点，同时以二分查找法迅速预估明日出现转换拐点的条件。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。

Description

一种时间序列的走势转换拐点预测计算方法及其装置
技术领域
本发明涉及时间序列的数据挖掘技术领域，尤其是涉及一种针对时间序列的走势转换拐点的计算方法。
背景技术
时间序列就是一组按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周、月等。如果你是一个股民，某只股票的股价就是一类时序数据，其记录着每个时间点该股票的股价。如果你是一个运维人员，监控数据是一类时序数据，例如对于机器的CPU的监控数据，就是记录着每个时间点机器上CPU的实际消耗值。另外还有用电量时间序列、电商销售量时间序列、脑电时间序列、气温时间序列等等。
时间序列的分析预测问题一直是一个研究热点。采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用时间序列模型时，总是假定某一数据变化模式或某一种组合模式会重复发生。因此需要首先识别出这种模式，然后采用外推的方式进行预测。
依据其建模理论不同,可将这些预测模型划分为两个大类:一类是以统计原理为基础的传统型波动率预测模型,目前较为流行且具有代表性的模型包括ARCH模型和SV模型;另一类是以神经网络、灰色理论、支持向量机等为基础的创新型预测模型。这两类模型在进行预测时各有特点,但其预测的准确度仍有待提高。
发明内容
本发明公开了一种针对时间序列的走势转换拐点的计算方法。方法首先设计了一种时间序列转换拐点计算的框架；在此基础上，根据时间序列的历史走势，总结经验，设计相应的计算策略并将其添加到框架中。方法根据所依据计算数据的范围，将输出结果分为两种典型的操作类型：高频方式和低频方式。对两种方式分别进行训练获得最佳参数后，对每只时间序列在每天数据更新后，计算该时间序列当日是否出现转换拐点，同时以二分查找法迅速预估明日出现转换拐点的条件。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。
本发明方法在每日数据更新后进行计算分析，无未来函数，后续转换拐点的生成不会影响前面生成的结果。对转换拐点的结果可视化后，用户使用上直观、方便。最后对上述提出的方法通过计算机系统进行了实现，并形成装置，以供对用户输入的时间序列进行预测。
本发明方法的具体步骤如下：
（1）基于长短期线设计转换拐点计算框架；
（2）基于斜率组合方式对长期线的生成进行参数调整；
（3）根据短期线所依据计算数据的范围，将输出结果分为高频和低频两种典型的模式；
（4）结合历史数据，根据转换拐点生成真实的预测记录，并计算增长，以进行参数调优；
（5）对时间序列在每天数据更新后，结合当天数据计算该时间序列当日是否出现转换拐点；同时以二分查找法预估明日出现转换拐点的条件。
其中，步骤(1)中基于长短期线设计转换拐点计算框架，具体为：基于当前及历史数据计算两条走势曲线：长期线和短期线。当短期线从下往上穿过长期线时，记录该交点为上拐点；反之，当短期线从上往下穿过长期线时，记录该交点为下拐点。长短期线以统一的形式定义为：Line = EMA(SLOPE(D,K)*T+D,L)。根据参数变量K、T、L取值的不同，基于统一形式进一步具体定义长短线。如典型定义：
短期线：ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb) = EMA(SLOPE(D,8)*4+D,14)，即以近8天的拟合斜率作为走势惯性往前走4步后，进行参数为14的指数加权移动平均。式中Kb=8, Tb =4, Lb =14；
长期线：LongLine = EMA(SLOPE(D,Ks)*Ts+D,Ls) = EMA(SLOPE(D,20)*10+D,35) ，即以近20天的拟合斜率作为走势惯性往前走10步后，进行参数为35的指数加权移动平均。式中Ks =20,Ts=10,Ls=35。
其中，步骤(2)中基于斜率组合方式对长期线的生成进行参数调整，具体为：主要调整长期线LongLine的SLOPE(D,Ks)*Ts部分。基于斜率组合对长期线的调整如下：主要目标是调整Ts的大小，即往前走的步数的大小。记近期斜率SLP1= SLOPE(D,20);短期斜率SLP2=SLOPE(D,4)，ABS代表取绝对值，根据SLP1和SLP2是否大于0，则有四种组合：
(1) SLP1>0且SLP2>0。此时若SLP2>= SLP1,则减小Ts的值；
(2) SLP1>0且SLP2<0。此时若ABS(SLP2)>= SLP1,则增大Ts的值；
(3) SLP1<0且SLP2>0。此时若SLP2>= ABS(SLP1),则增大Ts的值；
(4) SLP1<0且SLP2<0。此时若ABS(SLP2)> ABS(SLP1),则减小Ts的值。
其中，步骤(3)中根据短期线所依据计算数据的范围，将输出结果分为高频和低频两种典型的模式，具体为：短期线为：ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb)，进一步的根据短期线所依据计算数据的范围，定义两组相关参数：超短期和短期。超短期线：ShortLineA =EMA(SLOPE(D,4)*2+D,7)，此时Kb =4, Tb =2, Lb =7，即依据近4天数据的斜率惯性往前走2步。短期线：ShortLineB =EMA(SLOPE(D,8)*4+D,14)，此时Kb =8, Tb =4, Lb=14，即依据近8天数据的斜率惯性往前走4步。将超短期线和短期线结合前述的长期线LongLine，计算交点得到转换拐点后，组合形成两种模式：高频模式和低频模式。高频模式：短期线= ShortLineA；长期线=LongLine；低频方式：短期线= ShortLineB；长期线=LongLine。
其中，步骤(4)中结合历史数据，根据转换拐点生成真实的预测记录，并计算增长，以进行参数调优，具体为：短期线ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb)和长期线LongLine = EMA(SLOPE(D,Ks)*Ts+D,Ls)的定义涉及一些参数，包括Kb，Tb，Lb，Ks，Ts，Ls等，实际应用时，结合每只时间序列的历史数据进行参数调优；具体步骤为：1、以某只时间序列为例，取一段时间的数据；2、仅调整一个参数，固定其他参数，生成转换拐点；3、据转换拐点，生成真实的预测记录，并记录从出现上拐点开始，到出现下拐点这段区间的增长；4、计算转换拐点的次数和总增长情况；5、与上次的增长结果进行比较，保留增长大的结果和参数；6、重复执行2~5步骤，获得当前调整参数的最优值；7、固定该调整参数的值，以类似步骤换调另一参数的值。所有参数都经过调整后，这样算做一轮。根据以上步骤进行几轮的参数调整，最终获得的参数即为调优后的参数。
其中，步骤(5)中对每只时间序列在每天数据更新后，结合当天数据计算该时间序列当日是否出现转换拐点；同时以二分查找法预估明日出现转换拐点的条件，具体为：每天生成2种类型的转换拐点预测图：高频模式下的转换拐点图和低频模式下的转换拐点图。对于一般时间序列某天来说，不一定有上拐点或下拐点，大部分时候是预测判断不变的阶段；
但每天同时以二分查找法预估明日出现转换拐点的条件；如果当前状态是上拐点之后的持续阶段，则预估明日出现下拐点的条件；反之如果当前状态是下拐点之后的持续阶段，则预估明日出现上拐点的条件。针对不用应用领域的时间序列，比如气温时间序列，电商销售量时间序列等，其序列值的变化幅度是有限制的，因此在预估明日可能出现上拐点或下拐点时，以二分查找法方式进行获取。以预测上拐点条件为例，具体如下：
（1）在时间序列数据的最后添加一新数据D0，初始值为当前变化幅度的上限值；计算新数据是否是上拐点，若不是，则为保持原来状态；若是，则进入下一步；
（2）对半缩小变化幅度的值区间，以区间的中位值计算新数据D0。以该新序列计算上拐点，根据最后一位是否是上拐点标志计算新的变化幅度区间，计算新数据D0，直到计算出来的新数据D0数值保持不变。此时D0 即为出现上拐点的条件。
附图说明
图1是本发明时间序列转换拐点计算方法流程图。包含计算模型方法的设计和参数训练过程。
图2以股票时间序列应用为例，生成的2种类型的转换拐点图。上面为高频操作方式下的转换拐点图，下面为低频操作方式下的转换拐点图。气温时间序列、脑电时间序列等的应用结果同样可得。
具体实施方式
下面结合附图和实例，对本发明进行详细的描述。
本发明公开了一种针对时间序列的走势转换拐点的计算方法。这是一种技术数据分析的方法，方法在每日数据更新后进行计算分析，无未来函数，因此后续转换拐点的生成不会影响前面生成的结果。假设时间序列S，基于其当前及历史数据进行转换拐点计算的具体步骤如下。
一、基于长短期线设计转换拐点计算框架。
基本的计算框架是：基于当前及历史数据计算两条走势曲线：长期线和短期线。当短期线从下往上穿过长期线时，记录该交点为上拐点；反之，当短期线从上往下穿过长期线时，记录该交点为下拐点。
长短期线以统一的形式定义为：
Line = EMA(SLOPE(D,K)*T+D,L)
式中变量解释如下：
- D：代表输入的时间序列数据，可以为当日的时间序列值，序列统计量等，或者序列数据之间的某种变换组合等；
- K：为参数变量，代表以近K个时间周期的时间序列数据作为计算基础；
- SLOPE(D,K)：代表以近K个时间周期的时间序列数据D，计算线性回归后直线的斜率；
-T：代表往前走T步；
- SLOPE(D,K)*T+D：代表以近K日回归直线的斜率走势惯性往前走T步后的新时间序列数据；
- EMA(P,L)：指数平均数指标,即对待加权序列P,进行以指数形式递减加权的移动平均。具体为：EMAtoday=α * Ptoday + ( 1 - α ) * EMAyesterday;
其中，α为平滑指数，取作2/(L+1)。当公式不断递归，直至EMA1出现，EMA1是没有定义的,这时EMA1直接取值为P1。
根据参数变量K、T、L取值的不同，以上述统一形式进一步具体定义长短线或买卖线。如以下典型定义。
短期线：ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb) = EMA(SLOPE(D,8)*4+D,14)，即以近8天的拟合斜率作为走势惯性往前走4步后，进行参数为14的指数加权移动平均。式中Kb =8, Tb =4, Lb =14。
长期线：LongLine = EMA(SLOPE(D,Ks)*Ts+D,Ls) = EMA(SLOPE(D,20)*10+D,35)，即以近20天的拟合斜率作为走势惯性往前走10步后，进行参数为35的指数加权移动平均。式中Ks =20,Ts=10,Ls=35。
二、基于斜率组合对长期线的生成进行参数调整。
基于以上长短期线的框架及定义，对长期线进行深度细节调整。主要调整长期线LongLine的SLOPE(D,Ks)*Ts部分。
基于斜率组合对长期线的调整如下：
主要目标是调整Ts的大小，即往前走的步数的大小。记近期斜率SLP1= SLOPE(D,20);短期斜率SLP2= SLOPE(D,4)，ABS代表取绝对值，则有如下四种斜率组合的计算：
(1) SLP1>0且SLP2>0。此时若SLP2>= SLP1,则减小Ts的值；
(2) SLP1>0且SLP2<0。此时若ABS(SLP2)>= SLP1,则增大Ts的值；
(3) SLP1<0且SLP2>0。此时若SLP2>= ABS(SLP1),则增大Ts的值；
(4) SLP1<0且SLP2<0。此时若ABS(SLP2)> ABS(SLP1),则减小Ts的值；
其他情况Ts保持不变。
三、根据短期线所依据计算数据的范围，将输出结果分为高频和低频两种典型的模式。
在长期线确定后，接下来对短期线进行处理。
根据前述定义，短期线为：ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb)，进一步的根据短期线所依据计算数据的范围，定义两组相关参数：超短期和短期。
超短期线：ShortLineA =EMA(SLOPE(D,4)*2+D,7)，此时Kb =4, Tb =2, Lb =7，即依据近4天数据的斜率惯性往前走2步。
短期线：ShortLineB =EMA(SLOPE(D,8)*4+D,14)，此时Kb =8, Tb =4, Lb =14，即依据近8天数据的斜率惯性往前走4步。
将超短期线和短期线结合前述的长期线LongLine，计算交点得到转换拐点后，组合形成两种模式：高频模式和低频模式。
高频模式：短期线= ShortLineA；长期线=LongLine；
低频方式：短期线= ShortLineB；长期线=LongLine。
四、结合历史数据，根据转换拐点生成真实的预测记录，并计算增长，以进行参数调优。
上述短期线ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb)和长期线LongLine = EMA(SLOPE(D,Ks)*Ts+D,Ls)，这些定义涉及一些参数，包括Kb，Tb，Lb，Ks，Ts，Ls等，在以上的说明中为了说明方便，给出了一些示例参数的取值。实际应用时，结合每只时间序列的历史数据进行参数调优，具体步骤如下。
4.1 以某只时间序列为例，取一段时间的数据。一般只取近一年或半年的数据作为训练数据。所获取的时间序列数据作为参数D的输入。上述参数D为一个序列数据，或序列数据的统计量或组合。
4.2 仅调整一个参数，固定其他参数，生成转换拐点。由于包含多个参数，无法同时进行调整，因此先固定其他参数，仅留一个参数进行调整。一般这边参数的取值为整数值，且仅有可数的几个可取值。参数取值后，生成短期线和长期线，并计算他们的交点，根据短期线上穿长期线还是下穿长期线进一步确定上拐点和下拐点。
4.3 根据转换拐点，生成真实的预测记录，并记录从出现上拐点开始，到出现下拐点这段区间的增长。
4.4 计算转换拐点的次数和总增长情况。统计每次转换拐点的增长情况，同时对转换拐点次数折算成代价后，与增长情况求和，获得最终的增长结果。
4.5 与上次的增长结果进行比较，保留增长大的结果和参数。
4.6 重复执行4.2-4.5步骤，获得当前调整参数的最优值。
4.7 固定该调整参数的值，以类似步骤换调另一参数的值。所有参数都经过调整后，这样算做一轮。根据以上步骤进行几轮的参数调整，最终获得的参数即为调优后的参数。
五、对每只时间序列在每天数据更新后，结合当天数据计算该时间序列当日是否出现转换拐点；同时以二分查找法预估明日出现转换拐点的条件。
时间序列转换拐点的判断是在每日数据更新后进行的。基于上一步骤获得的调优参数，每天生成2种类型的转换拐点预测图：高频模式下的转换拐点图和低频模式下的转换拐点图。对于一般时间序列某天来说，不一定有上拐点或下拐点，大部分时候是预测判断不变的阶段。
但每天同时以二分查找法预估明日出现转换拐点的条件。
对时间序列预估明日出现转换拐点的条件。如果当前状态是上拐点之后的持续阶段，则预估明日出现下拐点的条件；反之如果当前状态是下拐点之后的持续阶段，则预估明日出现上拐点的条件。针对不用应用领域的时间序列，比如气温时间序列，电商销售量时间序列等，其序列值的变化幅度是有限制的，因此在预估明日可能出现上拐点或下拐点时，以二分查找法方式进行获取。
以预测上拐点条件为例，具体如下。
（1）在时间序列数据的最后添加一新数据D0，初始值为当前变化幅度的上限值；计算新数据是否是上拐点，若不是，则为保持原来状态；若是，则进入下一步。
（2）对半缩小变化幅度的值区间，以区间的中位值计算新数据D0。以该新序列计算上拐点，根据最后一位是否是上拐点标志计算新的变化幅度区间，计算新数据D0，直到计算出来的新数据D0数值保持不变。此时D0 即为出现上拐点的条件。
综上所述，本发明公开了一种针对时间序列的走势转换拐点的计算方法。设计了一种时间序列转换拐点计算的框架，可在此框架下，根据时间序列历史走势、总结经验调整相关参数。方法将输出结果分为两种典型的模式：高频模式和低频模式，对两种模式分别以历史数据进行训练获得最佳参数。对时间序列在每天数据更新后，结合当天数据计算预测该时间序列当日是否出现转换拐点，同时以二分查找法迅速预估明日出现上拐点或下拐点的条件。
本发明方法应用于如下一类的时间序列数据，包括气温时间序列，电商销售量时间序列，脑电时间序列，电量时间序列，股票时间序列，期货时间序列等。尽管为说明目的公开了本发明的具体实施例和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是不可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。当前公开的实施例在所有方面应被理解为说明性的而非对其请求保护的范围的限制。

Claims (6)

1.一种时间序列的走势转换拐点预测计算方法及其装置，其特征在于所述方法包括如下步骤：
（1）基于长短期线设计转换拐点计算框架；
（2）基于斜率组合方式对长期线的生成进行参数调整；
（3）根据短期线所依据计算数据的范围，将输出结果分为高频和低频两种典型的模式；
（4）结合历史数据，根据转换拐点生成真实的预测记录，并计算增长，以进行参数调优；
（5）对时间序列在每天数据更新后，结合当天数据计算该时间序列当日是否出现转换拐点；同时以二分查找法预估明日出现转换拐点的条件。
2.根据权利要求1所述的一种时间序列的走势转换拐点预测计算方法及其装置，其特征在于，步骤1中所设计的转换拐点计算框架中，长短期线以统一的形式进行定义Line =EMA(SLOPE(D,K)*T+D,L)，其统一思想为以近K日回归直线的斜率走势，惯性往前走T步后形成新数据，对新数据进行L参数的指数加权；之后基于统一形式，根据参数变量K、T、L取值的不同，进行短期线和长期线的定义：
短期线ShortLine = EMA(SLOPE(D,Kb)*Tb+D,Lb) = EMA(SLOPE(D,8)*4+D,14)；
长期线LongLine = EMA(SLOPE(D,Ks)*Ts+D,Ls) = EMA(SLOPE(D,20)*10+D,35)。
3.根据权利要求1所述的一种时间序列的走势转换拐点预测计算方法及其装置，其特征在于，步骤2中对长期线进行参数调整的方式，主要目标是调整Ts的大小，但可以有多种方式，包括但不限于发明中的基于近期斜率和短期斜率组合对长期线的调整方式。
4.根据权利要求1所述的一种时间序列的走势转换拐点预测计算方法及其装置，其特征在于，步骤3中根据短期线所依据计算数据的范围，进一步定义超短期和短期两组参数：超短期线ShortLineA = EMA(SLOPE(D,4)*2+D,7)，短期线ShortLineB = EMA(SLOPE(D,8)*4+D,14)；并将这两组参数结合长期线LongLine，组合形成两种模式，高频模式：短期线=ShortLineA；长期线=LongLine；低频模式：短期线=ShortLineB；长期线=LongLine。
5.根据权利要求1所述的一种时间序列的走势转换拐点预测计算方法及其装置，其特征在于，步骤4的参数调优过程方法实际上是一种广义的梯度下降法；先固定其他参数，仅调整一个参数；待该参数调整好后，再以类似步骤调整其他参数；经过多轮调整后则可得到较优的参数；调整过程中是以转换拐点生成真实的预测记录，并计算增长，同时考虑转换拐点次数的折算代价的总增长作为目标函数。
6.根据权利要求1所述的一种针对时间序列的走势转换拐点的预测计算方法及其装置，其特征在于，步骤5中除了对每日时间序列是否出现转换拐点进行预测，还以二分查找法预估明日出现转换拐点的条件；针对不用应用领域时间序列的变化幅度的限制值，以通过假设明日变化幅度值并计算转换拐点的方式，二分逼近转换拐点的临界点。
CN202010919043.5A 2020-09-04 2020-09-04 一种时间序列的走势转换拐点预测计算方法及其装置 Pending CN111949713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010919043.5A CN111949713A (zh) 2020-09-04 2020-09-04 一种时间序列的走势转换拐点预测计算方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010919043.5A CN111949713A (zh) 2020-09-04 2020-09-04 一种时间序列的走势转换拐点预测计算方法及其装置

Publications (1)

Publication Number Publication Date
CN111949713A true CN111949713A (zh) 2020-11-17

Family

ID=73356179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010919043.5A Pending CN111949713A (zh) 2020-09-04 2020-09-04 一种时间序列的走势转换拐点预测计算方法及其装置

Country Status (1)

Country Link
CN (1) CN111949713A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580805A (zh) * 2020-12-25 2021-03-30 三星（中国）半导体有限公司 神经网络模型的量化方法和量化神经网络模型的装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580805A (zh) * 2020-12-25 2021-03-30 三星（中国）半导体有限公司 神经网络模型的量化方法和量化神经网络模型的装置

Similar Documents

Publication Publication Date Title
Rout et al. Forecasting of currency exchange rates using an adaptive ARMA model with differential evolution based training
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
JP5516390B2 (ja) 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
JP5434837B2 (ja) 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
CN113544599A (zh) 执行过程并优化在该过程中使用的控制信号的方法
Freitas et al. Model combination in neural-based forecasting
CN110648017A (zh) 一种基于二层分解技术的短期冲击负荷预测方法
Gautam et al. A novel moving average forecasting approach using fuzzy time series data set
CN116861201A (zh) 基于人工智能的电力供给系统
Dudek et al. Medium-term electric energy demand forecasting using Nadaraya-Watson estimator
Wichaidit et al. Predicting SET50 stock prices using CARIMA (cross correlation ARIMA)
CN111949713A (zh) 一种时间序列的走势转换拐点预测计算方法及其装置
Deng et al. Offline reinforcement learning for industrial process control: A case study from steel industry
JP2007004728A (ja) プロセスの操業状態の制御方法、装置、及びコンピュータプログラム
Lei et al. A novel time-delay neural grey model and its applications
Ratakonda et al. Seasonal trend analysis on multi-variate time series data
Bebarta et al. Polynomial based functional link artificial recurrent neural network adaptive system for predicting Indian stocks
Araujo et al. Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation
JPWO2016203757A1 (ja) 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム
JP2020154364A (ja) 変圧器コスト予測装置
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
JP7060130B1 (ja) 運用支援装置、運用支援方法及びプログラム
JP2015228182A (ja) 変化点検出装置、変化点検出方法、及びコンピュータプログラム
Mohd Lip et al. Comparative study of smoothing methods and box-jenkins model in forecasting unemployment rate in Malaysia
KR20220109935A (ko) 전력 예측을 위한 앙상블 장치

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