CN114756604A - 一种基于Prophet组合模型的监测时序数据预测方法 - Google Patents
一种基于Prophet组合模型的监测时序数据预测方法 Download PDFInfo
- Publication number
- CN114756604A CN114756604A CN202210661695.2A CN202210661695A CN114756604A CN 114756604 A CN114756604 A CN 114756604A CN 202210661695 A CN202210661695 A CN 202210661695A CN 114756604 A CN114756604 A CN 114756604A
- Authority
- CN
- China
- Prior art keywords
- data
- prophet
- time sequence
- sequence data
- model
- 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.)
- Granted
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
- 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
- G06F16/2462—Approximate or statistical queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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Xk-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Xk S={xk s1, xk s2, … , x k si , … , xk sn}和后验贝叶斯数据分布下限Xk X={xk x1,xk x2, , … , x k xi , … , xk 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Xk-1与S2.3中所述后验贝叶斯数据分布上限Xk S和所述后验贝叶斯数据分布下限Xk X的大小,若所述Prophet组合模型第k-1层的输出时序数据Xk-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Xk 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Xk 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Xk-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Xk-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Xk-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Xk S和所述后验贝叶斯数据分布下限Xk 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Xk={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Xk H={xk h1, xk h2, … , x k hi , …, xk 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Xk 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Yx’={yx’1, yx’2, … , yx’n-k}与测试集Yc’={yc’n-k+1, yc’n-k+2, … , yc’n}。
S4B.2、将所述训练集Yx’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:
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Xk-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Xk S={xk s1, xk s2, … , x k si , … , xk sn}和后验贝叶斯数据分布下限Xk X={xk x1,xk x2, , … , x k xi , … , xk 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Xk-1与S2.3中所述后验贝叶斯数据分布上限Xk S和所述后验贝叶斯数据分布下限Xk X的大小,若所述Prophet组合模型第k-1层的输出时序数据Xk-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Xk 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Xk 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Xk-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Xk-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Xk-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Xk S和所述后验贝叶斯数据分布下限Xk 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Xk={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Xk H={xk h1, xk h2, … , x k hi , …, xk 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Xk 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Yx’={yx’1, yx’2, … , yx’n-k}与测试集Yc’={yc’n-k+1, yc’n-k+2, … , yc’n}。
S4B.2、将所述训练集Yx’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:
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Xk-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Xk S={xk s1, xk s2, … , x k si , … , xk sn}和后验贝叶斯数据分布下限Xk X={xk x1, xk x2, ,… , x k xi , … , xk 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Xk-1与S2.3中所述后验贝叶斯数据分布上限Xk S和所述后验贝叶斯数据分布下限Xk X的大小,若所述Prophet组合模型第k-1层的输出时序数据Xk-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Xk 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Xk 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Xk-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Xk-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Xk-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Xk S和所述后验贝叶斯数据分布下限Xk 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Xk={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Xk H={xk h1, xk h2, … , x k hi , …, xk 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Xk 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Yx’={yx’1, yx’2, … , yx’n-k}与测试集Yc’={yc’n-k+1, yc’n-k+2, … , yc’n};
S4B.2、将所述训练集Yx’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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661695.2A CN114756604B (zh) | 2022-06-13 | 2022-06-13 | 一种基于Prophet组合模型的监测时序数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661695.2A CN114756604B (zh) | 2022-06-13 | 2022-06-13 | 一种基于Prophet组合模型的监测时序数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114756604A true CN114756604A (zh) | 2022-07-15 |
CN114756604B CN114756604B (zh) | 2022-09-09 |
Family
ID=82336279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661695.2A Active CN114756604B (zh) | 2022-06-13 | 2022-06-13 | 一种基于Prophet组合模型的监测时序数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114756604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司(Cn) | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
CN110717535A (zh) * | 2019-09-30 | 2020-01-21 | 北京九章云极科技有限公司 | 一种基于数据分析处理系统的自动建模方法及系统 |
US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
CN111639978A (zh) * | 2020-06-08 | 2020-09-08 | 武汉理工大学 | 基于Prophet-随机森林的电商事件驱动型需求量预测方法 |
US20210042382A1 (en) * | 2019-08-06 | 2021-02-11 | Verint Americas Inc. | System and method of selecting human-in-the-loop time series anomaly detection methods |
CN112363890A (zh) * | 2020-11-18 | 2021-02-12 | 合肥城市云数据中心股份有限公司 | 基于Prophet模型的数据中心运维系统阈值自适应告警监测方法 |
CN112836871A (zh) * | 2021-01-27 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 一种配电网可靠性预测方法、装置、设备和介质 |
CN112990556A (zh) * | 2021-02-24 | 2021-06-18 | 江苏大学 | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 |
CN113065703A (zh) * | 2021-03-31 | 2021-07-02 | 天津大学 | 一种结合多种模型的时间序列预测方法 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
CN113837782A (zh) * | 2020-06-24 | 2021-12-24 | 上海顺如丰来技术有限公司 | 时间序列模型的周期项参数优化方法、装置、计算机设备 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和系统 |
CN114065667A (zh) * | 2021-11-19 | 2022-02-18 | 国网上海市电力公司 | 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法 |
CN114118676A (zh) * | 2021-10-12 | 2022-03-01 | 国家电网有限公司 | 一种基于多类型感知设备的数据分析方法、装置及可读介质 |
-
2022
- 2022-06-13 CN CN202210661695.2A patent/CN114756604B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11177041B1 (en) * | 2018-07-20 | 2021-11-16 | MedAmerica Data Services, LLC | Method and system for cardiac risk assessment of a patient using historical and real-time data |
US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
CN110210658A (zh) * | 2019-05-22 | 2019-09-06 | 东南大学 | 基于小波变换的Prophet与高斯过程用户网络流量预测方法 |
US20210042382A1 (en) * | 2019-08-06 | 2021-02-11 | Verint Americas Inc. | System and method of selecting human-in-the-loop time series anomaly detection methods |
CN110717535A (zh) * | 2019-09-30 | 2020-01-21 | 北京九章云极科技有限公司 | 一种基于数据分析处理系统的自动建模方法及系统 |
CN111639978A (zh) * | 2020-06-08 | 2020-09-08 | 武汉理工大学 | 基于Prophet-随机森林的电商事件驱动型需求量预测方法 |
CN113837782A (zh) * | 2020-06-24 | 2021-12-24 | 上海顺如丰来技术有限公司 | 时间序列模型的周期项参数优化方法、装置、计算机设备 |
CN112363890A (zh) * | 2020-11-18 | 2021-02-12 | 合肥城市云数据中心股份有限公司 | 基于Prophet模型的数据中心运维系统阈值自适应告警监测方法 |
CN112836871A (zh) * | 2021-01-27 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 一种配电网可靠性预测方法、装置、设备和介质 |
CN112990556A (zh) * | 2021-02-24 | 2021-06-18 | 江苏大学 | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 |
CN113065703A (zh) * | 2021-03-31 | 2021-07-02 | 天津大学 | 一种结合多种模型的时间序列预测方法 |
CN113298288A (zh) * | 2021-04-12 | 2021-08-24 | 国网浙江省电力有限公司湖州供电公司 | 一种融合时间序列和神经网络的供电所运维成本预测方法 |
CN113256020A (zh) * | 2021-06-15 | 2021-08-13 | 国网浙江省电力有限公司 | 一种考虑多尺度时间序列的供电系统成本预测方法 |
CN114118676A (zh) * | 2021-10-12 | 2022-03-01 | 国家电网有限公司 | 一种基于多类型感知设备的数据分析方法、装置及可读介质 |
CN113962745A (zh) * | 2021-10-30 | 2022-01-21 | 重庆长安汽车股份有限公司 | 基于prophet模型及大数据的销量预测方法和系统 |
CN114065667A (zh) * | 2021-11-19 | 2022-02-18 | 国网上海市电力公司 | 一种基于Prophet-LSTM模型的SF6设备气体压力预测方法 |
Non-Patent Citations (5)
Title |
---|
SEAN J.TAYLOR等: "Forecasting at Scale", 《THE AMERICAN STATISTICIAN》 * |
杨爱超等: "基于Prophet的电子式互感器误差预测方法", 《自动化与仪器仪表》 * |
滕金玲等: "基于Prophet的生姜价格预测研究", 《中国农机化学报》 * |
翟笃林等: "Prophet时序预测模型在电离层TEC异常探测中的应用", 《地震》 * |
赵英等: "基于LSTM-Prophet非线性组合的时间序列预测模型", 《计算机与现代化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600770A (zh) * | 2022-12-09 | 2023-01-13 | 成都睿的欧科技有限公司(Cn) | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
CN115600770B (zh) * | 2022-12-09 | 2023-04-07 | 成都睿的欧科技有限公司 | 基于时序饱和预测的无线信号设备故障预警方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114756604B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101795090B (zh) | 预测光伏器件的电力产量的方法 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN107316095B (zh) | 一种耦合多源数据的区域气象干旱等级预测方法 | |
CN111626518A (zh) | 基于深度学习神经网络的城市天级需水量在线预测方法 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN104820876A (zh) | 一种短期负荷预测方法和系统 | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
CN114756604B (zh) | 一种基于Prophet组合模型的监测时序数据预测方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN116451873A (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
CN105389637A (zh) | 用于月度用电预测模型的有效工作日构建方法 | |
CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
CN114462688A (zh) | 一种基于lstm模型和动态阈值确定算法的爆管检测方法 | |
CN117236485B (zh) | 一种基于cnn-bilstm算法减小预测电网供电量误差的方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN117273200A (zh) | 一种基于卷积优化算法和Pyraformer神经网络的径流区间预报方法 | |
CN107944466A (zh) | 一种基于分段思想的降雨偏差纠正方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN110765420A (zh) | 一种基于pso-fi的地面自动气象站气温观测资料质量控制方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN115081681A (zh) | 一种基于prophet算法的风电功率预测方法 | |
CN108921340B (zh) | 一种基于误差转移密度函数的洪水概率预报方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |