CN114756604A - 一种基于Prophet组合模型的监测时序数据预测方法 - Google Patents

Abstract

本发明公开了一种基于Prophet组合模型的监测时序数据预测方法，涉及工程建设及运维技术领域。包括以下步骤：S1、在工程现场布置传感器获取原始时序数据X⁰={x⁰ ₁,x⁰ ₂,…,x⁰ _i,…,x⁰ _n}，并对干扰时段时序数据进行节假日标记；S2、构建Prophet组合模型，将原始时序数据X⁰带入所述Prophet组合模型数据预处理层，进行迭代计算得到删除粗差后的时序数据X’={x’₁,x’₂,…,x’_i,…,x’_n}；S3、将X’带入所述Prophet组合模型回归层，进行回归补缺计算得到完整时序数据Y’={y’₁,y’₂,…,y’_i,…,y’_n}；S4、将所述完整时序数据Y’带入所述Prophet组合模型预测层，得到预测时序数据Z’={z’_n‑k+1,z’_n‑k+2,…,z’_n}。本发明强化了预测模型抗干扰性，提高了预测准确度。

Description

一种基于Prophet组合模型的监测时序数据预测方法

技术领域

本发明涉及工程建设及运维技术领域，具体涉及工程结构物监测时序数据处理及预测方法，具体是一种基于Prophet组合模型的监测时序数据预测方法。

背景技术

随着国家基础设施建设的不断完善，土木工程领域已由大规模建设开始向运营维护发展。对土木工程结构物开展实时监测，能够全面掌握结构服役状态，预测病害发展趋势，及时提出相应的维保措施，延长使用寿命，减小国民经济损失。土木工程结构监测一般采用布设传感器的方法进行结构服役信息感知。然而，由于土木工程结构服役环境复杂多变，服役期间受外部因素影响较大。布设在工程结构物上的传感器在遭受环境不确定因素（降水、刮风、温度变化等）、通讯干扰、人为因素或传感器机电稳定性等内在因素的影响时，可能会收集到错误信息，甚至造成在某时刻下数据无法获取。错误信息的采集及缺失数据的存在，将对监测时序数据的挖掘与分析造成极大干扰，有可能导致做出错误预测，影响结构服役状态的评估结果。因此，提高时序数据预测性能，减小离群值、缺失值对时序数据预测的影响，已经成为保障工程结构监测预警成功实施的关键技术问题。

目前，应用在工程实践中的热门预测方法主要有以下几类：（1）ARIMA模型，如专利“一种基于ARIMA模型的工业废气排放量预测的方法（CN202110051775.1）”，该模型不同于ARMA模型，不要求数据属于时间平稳序列，但对于复杂数据预测效果不佳，存在精度不足的问题。（2）LSTM神经网络模型，如专利“一种基于深度学习LSTM网络的桥梁静态位移预测技术（CN202011628545.9）”，LSTM在传统RNN上进行改进，提供长短时记忆功能，有效提高了数据的长期预测性能，但训练网络时间长，网络结构设置对预测影大。（3）基于神经网络的组合模型，如专利“基于直觉模糊密母PSO-LSTM的滑坡位移预测方法（CN202110244201.6）”，通过借助优化算法对神经网络结构参数进行优化，得到针对工程情况的最优化模型，进一步提高神经网络预测精度，但该模型的训练时间进一步增加，对于训练集的数据量要求进一步提高。

此外，上述的各类预测方法均易遭受异常数据，如错误数据与空缺值的影响，致使预测结果易出现不准确性。为了规避异常数据的影响，常采用数据清洗方法删除离谱值，补充缺失值。针对工程结构监测时序数据的主要清洗方法包括拉依达准则法、箱线图法以及神经网络方法等。但在实际应用过程中，拉伊达准则对于数据要求正态分布的假设难以满足；箱线图方法针对中位数对数据整体表达不可靠的数据而言，具有一定程度上的局限性；神经网络方法需要大量的训练数据集作为算法支撑等因素，均限制了上述方法在工程中的实际应用。为此，本发明提出了一种基于Prophet组合模型的监测时序数据预测方法。

发明内容

本发明针对现有监测时序数据预测方法存在的问题，提供了一种运算速度快、对异常时序数据适应性好，且能够自动进行数据清洗的监测时序数据预测方法。

本发明采用的技术方案是。

一种基于Prophet组合模型的监测时序数据预测方法，具体包括以下步骤。

S1、通过工程现场布置传感器获取原始时序数据X⁰={ x⁰ ₁, x⁰ ₂, … , x ⁰ _i , …,x⁰ _n }，所述原始时序数据X⁰包括传感器测量数据及测量数据采集时间；并将受工程施工振动及地震干扰时段的异常原始时序数据标记为“节假日”。

进一步的，采集的所述原始时序数据X⁰的个数n不小于10。

S2、构建Prophet组合模型，将S1中所述原始时序数据X⁰带入所述Prophet组合模型中的数据预处理层，通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，得到删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }。

进一步的，所述S2中通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，具体实现步骤为。

S2.1、定义所述Prophet组合模型层数为p，所述p为不小于2的正整数。从第1层到第p层，所述Prophet组合模型参数interval_width，满足第k层的interval_width随k增大而增大，且interval_width不超过0.95。对时序数据中已知的周期，运用所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定。

S2.2、所述Prophet组合模型的首层输入数据为所述原始时序数据X⁰，所述Prophet组合模型第k层输入数据，为所述Prophet组合模型第k-1层的输出时序数据X^k-1={x ^k-1 ₁, x ^k-1 ₂ , … , x ^k-1 _i , … , x ^k-1 _n}。

S2.3、通过所述Prophet组合模型第k层计算后，得到时序数据后验贝叶斯数据分布上限X^k _S={x^k _s1, x^k _s2, … , x ^k _si , … , x^k _sn}和后验贝叶斯数据分布下限X^k _X={x^k _x1,x^k _x2, , … , x ^k _xi , … , x^k _xn}。

S2.4、对比S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1与S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X的大小，若所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i大于S2.3中所述后验贝叶斯数据分布上限X^k _S中第i时刻对应的x ^k _si，或小于S2.3中所述后验贝叶斯数据分布下限X^k _X中第i时刻对应的x ^k _xi，则视S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i为误差数据；并将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i删除，但保留所述测量数据x ^k-1 _i的时间属性，仅使第i时刻的传感器记录值为空值。将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中的n个时刻数据，跟S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X中对应时刻的数据一一对比处理后，即可得粗差判识及粗差删除处理后的所述Prophet组合模型第k层输出时序数据X^k={x ^k ₁, x ^k ₂, … , x ^k _i , …, x ^k _n}。

S2.5、进行迭代计算，直至得到所述Prophet模型最后一层删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }。

S3、将S2中所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，通过回归补缺计算得到完整时序数据Y’={ y’₁, y’₂, … , y’_i , …,y’_n }。

进一步的，所述S3中的回归补缺计算，具体实现步骤为。

S3.1、将所述Prophet组合模型中的回归层的模型参数interval_width 赋值为0.99。

S3.2、将所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，计算得到回归数据X^k _H={x^k _h1, x^k _h2, … , x ^k _hi , …, x^k _hn}。

S3.3、将所述删除粗差后的时序数据X’中误差删除时刻对应的空缺值，用所述回归数据X^k _H相应时刻的回归值进行替换补充，得到所述完整时序数据Y’={ y’₁, y’₂, … ,y’_i , …,y’_n }。

S4、将S3中所述完整时序数据Y’带入所述Prophet组合模型中的预测层，对时序数据的未来发展趋势进行预测，得到预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}。

进一步的，所述S4中Prophet组合模型中的预测层的预测模型参数根据调整策略进行调整。所述调整策略的具体实现步骤为。

S4A.1、初始化所述Prophet组合模型。

S4A.2、对时序数据中已知的周期，借助所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定。

进一步的，所述S4中Prophet组合模型中的预测层采用预测效果评价方法对Prophet组合模型中的预测层的预测效果进行评价，以选择有效的预测模型。所述预测效果评价方法的具体实现步骤为。

S4B.1、将所述完整时序数据Y’划分为训练集Y_x’={y_x’₁, y_x’₂, … , y_x’_n-k}与测试集Y_c’={y_c’_n-k+1, y_c’_n-k+2, … , y_c’_n}。

S4B.2、将所述训练集Y_x’带入所述Prophet组合模型中的预测层，进行训练，获得集成时序数据Z={z’₁, z’ ₂, … , z’ _n-k}，及预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}。

S4B.3、采用RMSE方法对Prophet组合模型的预测效果和拟合程度进行评价，RMSE计算公式为：

式中：RMSE为均方根误差，

表示第

时刻测试集Y_c’={y_c’_n+1, y_c’_n+2, … , y_c’_n+k}的实际值，

表示所述Prophet模型的预测值，n为所述原始时序数据中的数据总个 数。

S4B.4、判断所述S4B.3中计算得到的RMSE是否满足工程结构监测要求值，若计算得到的RMSE大于所述工程结构监测要求值，则重新调整所述Prophet组合模型的结构及参数，重复S1到S4的步骤；若计算得到的RMSE小于等于所述工程结构监测要求值，则保存输出模型。

本发明实施例带来了以下有益效果。

本发明提出的基于Prophet组合模型的监测时序数据预测方法，计算过程采用同一模型不同层位的组合，在同一模型中实现时序数据预处理及其发展趋势的预测，相比传统时序数据预测方法，简化了流程，实现了模型轻量化；且运算过程不涉及不同模型间数据格式转换传输问题，避免了实际工程应用中由于不同模型间数据格式转换传输带来的额外运算负担及时间延迟。

本发明提出的基于Prophet组合模型的监测时序数据预测方法，可采用“节假日”参数，对出现干扰段的异常时序数据进行标记，避免异常数据点对时序数据预测精度的影响。

本发明提出的基于Prophet组合模型的监测时序数据预测方法，可对提前预知的周期变化进行设置，提高监测时序数据发展趋势的预测精度。

本发明提出的基于Prophet组合模型的监测时序数据预测方法，还可对模型的周期项进行提取，最终输出的时序数据结果中可观测到各个周期项的变化，便于工程结构监测时序数据发展趋势的预测分析。

下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显。或通过本发明的实践了解到。

附图说明

下面结合附图说明和具体实施方式对本发明做进一步详细说明。

图1为一种基于Prophet组合模型的监测时序数据预测方法的算法流程图。

图2为一种基于Prophet组合模型的监测时序数据预测方法的粗差判识及删除流程图。

图3为一种基于Prophet组合模型的监测时序数据预测方法的模型评价反馈调整流程图。

具体实施方式

下面结合附图对本发明进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。在结合附图对本发明进行说明前，需要特别指出的是，本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征，在不冲突的情况下，这些技术方案和技术特征可以相互组合。

此外，下述说明中涉及到的本发明的实施例通常仅是本发明的一部分实施例，而不是全部的实施例。因此，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的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

关于本发明中术语和单位。本发明的说明书和权利要求书及有关的部分中的术语“包括”以及它的任何变形，意图在于覆盖不排他的包含。

一种基于Prophet组合模型的监测时序数据预测方法，如图1所示，具体包括以下步骤。

S1、通过工程现场布置传感器获取原始时序数据X⁰={ x⁰ ₁, x⁰ ₂, … , x ⁰ _i , …,x⁰ _n }，所述原始时序数据X⁰包括传感器测量数据及测量数据采集时间；并将受工程施工振动及地震干扰时段的异常原始时序数据标记为“节假日”。

进一步的，采集的所述原始时序数据X⁰的个数n不小于10。

S2、构建Prophet组合模型，将S1中所述原始时序数据X⁰带入所述Prophet组合模型中的数据预处理层，通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，得到删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }。

进一步的，所述S2中通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，如图2所示，具体实现步骤为。

S2.1、定义所述Prophet组合模型层数为p，所述p为不小于2的正整数。从第1层到第p层，所述Prophet组合模型参数interval_width，满足第k层的interval_width随k增大而增大，且interval_width不超过0.95。对时序数据中已知的周期，运用所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定。

S2.2、所述Prophet组合模型的首层输入数据为所述原始时序数据X⁰，所述Prophet组合模型第k层输入数据，为所述Prophet组合模型第k-1层的输出时序数据X^k-1={x ^k-1 ₁, x ^k-1 ₂ , … , x ^k-1 _i , … , x ^k-1 _n}。

S2.3、通过所述Prophet组合模型第k层计算后，得到时序数据后验贝叶斯数据分布上限X^k _S={x^k _s1, x^k _s2, … , x ^k _si , … , x^k _sn}和后验贝叶斯数据分布下限X^k _X={x^k _x1,x^k _x2, , … , x ^k _xi , … , x^k _xn}。

S2.4、对比S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1与S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X的大小，若所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i大于S2.3中所述后验贝叶斯数据分布上限X^k _S中第i时刻对应的x ^k _si，或小于S2.3中所述后验贝叶斯数据分布下限X^k _X中第i时刻对应的x ^k _xi，则视S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i为误差数据；并将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i删除，但保留所述测量数据x ^k-1 _i的时间属性，仅使第i时刻的传感器记录值为空值。将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中的n个时刻数据，跟S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X中对应时刻的数据一一对比处理后，即可得粗差判识及粗差删除处理后的所述Prophet组合模型第k层输出时序数据X^k={x ^k ₁, x ^k ₂, … , x ^k _i , …, x ^k _n}。

S2.5、进行迭代计算，直至得到所述Prophet模型最后一层删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }。

S3、将S2中所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，通过回归补缺计算得到完整时序数据Y’={ y’₁, y’₂, … , y’_i , …,y’_n }。

进一步的，所述S3中的回归补缺计算，具体实现步骤为。

S3.1、将所述Prophet组合模型中的回归层的模型参数interval_width 赋值为0.99。

S3.2、将所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，计算得到回归数据X^k _H={x^k _h1, x^k _h2, … , x ^k _hi , …, x^k _hn}。

S3.3、将所述删除粗差后的时序数据X’中误差删除时刻对应的空缺值，用所述回归数据X^k _H相应时刻的回归值进行替换补充，得到所述完整时序数据Y’={ y’₁, y’₂, … ,y’_i , …,y’_n }。

S4、将S3中所述完整时序数据Y’带入所述Prophet组合模型中的预测层，对时序数据的未来发展趋势进行预测，得到预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}。

进一步的，所述S4中Prophet组合模型中的预测层的预测模型参数根据调整策略进行调整。所述调整策略的具体实现步骤为。

S4A.1、初始化所述Prophet组合模型。

S4A.2、对时序数据中已知的周期，借助所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定。

进一步的，所述S4中Prophet组合模型中的预测层采用预测效果评价方法对Prophet组合模型中的预测层的预测效果进行评价，以选择有效的预测模型。所述预测效果评价方法的具体实现步骤为。

S4B.1、将所述完整时序数据Y’划分为训练集Y_x’={y_x’₁, y_x’₂, … , y_x’_n-k}与测试集Y_c’={y_c’_n-k+1, y_c’_n-k+2, … , y_c’_n}。

S4B.2、将所述训练集Y_x’带入所述Prophet组合模型中的预测层，进行训练，获得集成时序数据Z={z’₁, z’ ₂, … , z’ _n-k}，及预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}。

S4B.3、如图3所示，采用RMSE方法对Prophet组合模型的预测效果和拟合程度进行评价，RMSE计算公式为：

式中：RMSE为均方根误差，

表示第

时刻测试集Y_c’={y_c’_n+1, y_c’_n+2, … , y_c’_n+k}的实际值，

表示所述Prophet模型的预测值，n为所述原始时序数据中的数据总个 数。

S4B.4、判断所述S4B.3中计算得到的RMSE是否满足工程结构监测要求值，若计算得到的RMSE大于所述工程结构监测要求值，则重新调整所述Prophet组合模型的结构及参数，重复S1到S4的步骤；若计算得到的RMSE小于等于所述工程结构监测要求值，则保存输出模型。

本发明提出的基于Prophet组合模型的监测时序数据预测方法，计算过程采用同一模型不同层位的组合，在同一模型中实现了时序数据预处理及其发展趋势的预测，相比传统时序数据预测方法，简化了流程，实现了模型轻量化；且运算过程不涉及不同模型间数据格式转换传输问题，避免了实际工程应用中由于不同模型间数据格式转换传输带来的额外运算负担及时间延迟，可实现实时监测预警。本发明提出的基于Prophet组合模型的监测时序数据预测方法，可采用“节假日”参数，对出现干扰段的异常时序数据进行标记，避免异常数据点对时序数据预测精度的影响；也可对提前预知的周期变化进行设置，提高监测时序数据发展趋势的预测精度；本发明提出的基于Prophet组合模型的监测时序数据预测方法，还可对模型的周期项进行提取，最终输出的时序数据结果中可观测到各个周期项的变化，便于工程结构监测时序数据发展趋势的预测分析。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，包括以下步骤：

S1、通过工程现场布置传感器获取原始时序数据X⁰={ x⁰ ₁, x⁰ ₂, … , x ⁰ _i , …, x⁰ _n }，所述原始时序数据X⁰包括传感器测量数据及测量数据对应的采集时间；并将受工程施工振动及地震干扰时段的异常原始时序数据标记为“节假日”；

S2、构建Prophet组合模型，将S1中所述原始时序数据X⁰带入所述Prophet组合模型中的数据预处理层，通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，得到删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }；

S3、将S2中所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，通过回归补缺计算得到完整时序数据Y’={ y’₁, y’₂, … , y’_i , …,y’_n }；

S4、将S3中所述完整时序数据Y’带入所述Prophet组合模型中的预测层，对时序数据的未来发展趋势进行预测，得到预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}。

2.根据权利要求1所述一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，采集的所述原始时序数据X⁰的个数n不小于10。

3.根据权利要求1所述一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，所述S2中通过迭代计算对所述原始时序数据X⁰开展粗差判识及粗差删除处理，具体实现步骤为：

S2.1、定义所述Prophet组合模型层数为p，所述p为不小于2的正整数，从第1层到第p层，所述Prophet组合模型参数interval_width，满足第k层的interval_width随k增大而增大，且interval_width不超过0.95，对时序数据中已知的周期，运用所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定；

S2.2、所述Prophet组合模型的首层输入数据为所述原始时序数据X⁰，所述Prophet组合模型第k层输入数据，为所述Prophet组合模型第k-1层的输出时序数据X^k-1={x ^k-1 ₁, x ^k-1 ₂, … , x ^k-1 _i , … , x ^k-1 _n}；

S2.3、通过所述Prophet组合模型第k层计算后，得到时序数据后验贝叶斯数据分布上限X^k _S={x^k _s1, x^k _s2, … , x ^k _si , … , x^k _sn}和后验贝叶斯数据分布下限X^k _X={x^k _x1, x^k _x2, ,… , x ^k _xi , … , x^k _xn}；

S2.4、对比S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1与S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X的大小，若所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i大于S2.3中所述后验贝叶斯数据分布上限X^k _S中第i时刻对应的x ^k _si，或小于S2.3中所述后验贝叶斯数据分布下限X^k _X中第i时刻对应的x ^k _xi，则视S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i为误差数据；并将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中第i时刻的测量数据x ^k-1 _i删除，但保留所述测量数据x ^k-1 _i的时间属性，仅使第i时刻的传感器记录值为空值，将S2.2中所述Prophet组合模型第k-1层的输出时序数据X^k-1中的n个时刻数据，跟S2.3中所述后验贝叶斯数据分布上限X^k _S和所述后验贝叶斯数据分布下限X^k _X中对应时刻的数据一一对比处理后，即可得粗差判识及粗差删除处理后的所述Prophet组合模型第k层输出时序数据X^k={x ^k ₁, x ^k ₂, … , x ^k _i , …, x ^k _n}；

S2.5、进行迭代计算，直至得到所述Prophet模型最后一层删除粗差后的时序数据X’={ x’₁, x’₂, … , x’_i , …, x’_n }。

4.根据权利要求1所述一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，所述S3中的回归补缺计算，具体实现步骤为：

S3.1、将所述Prophet组合模型中的回归层的模型参数interval_width 赋值为0.99；

S3.2、将所述删除粗差后的时序数据X’带入所述Prophet组合模型中的回归层，计算得到回归数据X^k _H={x^k _h1, x^k _h2, … , x ^k _hi , …, x^k _hn}；

S3.3、将所述删除粗差后的时序数据X’中误差删除时刻对应的空缺值，用所述回归数据X^k _H相应时刻的回归值进行替换补充，得到所述完整时序数据Y’={ y’₁, y’₂, … , y’_i ,…,y’_n }。

5.根据权利要求1所述一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，所述S4中Prophet组合模型中的预测层的预测模型参数根据调整策略进行调整，所述调整策略的具体实现步骤为：

S4A.1、初始化所述Prophet组合模型；

S4A.2、对时序数据中已知的周期，借助所述模型参数interval_width中的周周期项、月周期项、年周期项及用户自定义周期项功能，对所述模型参数interval_width进行预先设定。

6.根据权利要求1所述一种基于Prophet组合模型的监测时序数据预测方法，其特征在于，所述S4中Prophet组合模型中的预测层采用预测效果评价方法对Prophet组合模型中的预测层的预测效果进行评价，以选择有效的预测模型，所述预测效果评价方法的具体实现步骤为：

S4B.1、将所述完整时序数据Y’划分为训练集Y_x’={y_x’₁, y_x’₂, … , y_x’_n-k}与测试集Y_c’={y_c’_n-k+1, y_c’_n-k+2, … , y_c’_n}；

S4B.2、将所述训练集Y_x’带入所述Prophet组合模型中的预测层，进行训练，获得集成时序数据Z={z’₁, z’ ₂, … , z’ _n-k}，及预测时序数据Z’={z’_n-k+1, z’_n-k+2, … , z’_n}；

S4B.3、采用RMSE方法对所述Prophet组合模型的预测效果和拟合程度进行评价，RMSE计算公式为：

式中：RMSE为均方根误差，

表示第

时刻测试集Y_c’={y_c’_n+1, y_c’_n+2, … , y_c’_n+k} 的实际值，

表示所述Prophet模型的预测值，n为所述原始时序数据中的数据总个数；

S4B.4、判断所述S4B.3中计算得到的RMSE是否满足工程结构监测要求值，若计算得到的RMSE大于所述工程结构监测要求值，则重新调整所述Prophet组合模型的结构及参数，重复S1到S4的步骤；若计算得到的RMSE小于等于所述工程结构监测要求值，则保存输出模型。

Images