[發(fā)明專利]一種基于時(shí)間序列的預(yù)測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201110316264.4
• 申請(qǐng)日: 2011-10-18
• 公開(kāi)（公告）號(hào): CN102495937A
• 公開(kāi)（公告）日: 2012-06-13
• 發(fā)明（設(shè)計(jì)）人: 馬利;李雪蓮;張波;陳杰;李博
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06F19/00
• 分類號(hào): G06F19/00;G01W1/10
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 許方

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于時(shí)間序列的預(yù)測(cè)方法。

背景技術(shù)

目前國(guó)內(nèi)外中長(zhǎng)期預(yù)報(bào)業(yè)務(wù)工作主要以統(tǒng)計(jì)方法為主，但在中長(zhǎng)期預(yù)報(bào)中廣泛使用的統(tǒng)計(jì)預(yù)報(bào)方法，大多應(yīng)用于月、季時(shí)間尺度的預(yù)報(bào)。對(duì)于年和年以上的時(shí)間尺度的氣候預(yù)測(cè)存在較大的困難之一，是由于對(duì)年平均降水量、年均氣溫、地震周期、水文周期等時(shí)間尺度的長(zhǎng)期預(yù)報(bào)對(duì)象，很難找到許多與其相對(duì)應(yīng)的，具有物理意義的預(yù)報(bào)因子。因此，該預(yù)報(bào)問(wèn)題其本質(zhì)上大多依賴于時(shí)間序列、周期分析等預(yù)報(bào)技術(shù)。目前，對(duì)于未來(lái)10年(或多步)預(yù)報(bào)研究工作，除了采用常規(guī)的時(shí)間序列自回歸模型以外，魏鳳英等提出的時(shí)間序列均生函數(shù)方法也有較多的應(yīng)用。由于自回歸模型預(yù)報(bào)建模一般需要較大的樣本容量，而通常年平均降水量樣本序列長(zhǎng)度有限。因此，自回歸模型被較多應(yīng)用于月平均降水量的長(zhǎng)期預(yù)報(bào)建模。此外，在采用時(shí)間序列均生函數(shù)方法建立多步預(yù)報(bào)模型時(shí)，主要是對(duì)經(jīng)過(guò)選擇的均生函數(shù)采用線性回歸等方法進(jìn)行預(yù)報(bào)建模研究。然而，在許多實(shí)際的預(yù)報(bào)對(duì)象中，均生函數(shù)的選擇主要是根據(jù)分類預(yù)報(bào)信息熵的計(jì)算和線性相關(guān)計(jì)算來(lái)考慮確定的。均生函數(shù)(MGF)是在定義事件序列的均值生成函數(shù)及其延拓矩陣的基礎(chǔ)上，根據(jù)原始資料序列構(gòu)造一組周期函數(shù)，分析原序列與周期函數(shù)的統(tǒng)計(jì)關(guān)系，建立相應(yīng)的統(tǒng)計(jì)預(yù)測(cè)模型對(duì)歷史資料進(jìn)行擬合并預(yù)測(cè)未來(lái)趨勢(shì)。事實(shí)上，均生函數(shù)與預(yù)報(bào)對(duì)象之間是否只是線性相關(guān)關(guān)系。對(duì)于不同的預(yù)報(bào)對(duì)象，可能會(huì)有不同的結(jié)果。而人工神經(jīng)網(wǎng)絡(luò)方法的顯著特點(diǎn)是，事先不需要了解預(yù)報(bào)系統(tǒng)的內(nèi)部結(jié)構(gòu)，而是強(qiáng)調(diào)模型輸入和輸出的非線性映射關(guān)系^[5]。但是由于其本身不能對(duì)預(yù)報(bào)因子進(jìn)行篩選，而需要通過(guò)其他方法選擇預(yù)報(bào)因子。

逐步回歸方法是較為廣泛使用的預(yù)報(bào)方法之一。該方法計(jì)算簡(jiǎn)便快速，占有內(nèi)存小，但是當(dāng)預(yù)報(bào)模型不合理或預(yù)報(bào)因子選取并不適當(dāng)時(shí)，預(yù)報(bào)效果比較差。逐步回歸方法在選入或剔除預(yù)報(bào)因子時(shí)，都是基于統(tǒng)計(jì)檢驗(yàn)，所以從理論上并不能以任何概率保證所挑選的自變量的“顯著性”。這樣，挑選出來(lái)的預(yù)報(bào)因子集就有可能只是一個(gè)局部最優(yōu)子集，而不是全局最優(yōu)。而最優(yōu)子集方法正是針對(duì)上述問(wèn)題提出的。

目前，神經(jīng)網(wǎng)絡(luò)方法對(duì)降水量預(yù)測(cè)已有許多研究。金龍等人利用神經(jīng)網(wǎng)絡(luò)的集成預(yù)報(bào)方法研究南京春季降水量，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)集成預(yù)報(bào)模型擬合情況或預(yù)報(bào)結(jié)果都好于其他常規(guī)集成預(yù)報(bào)方程，但是選取的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，參數(shù)以及隱節(jié)點(diǎn)確定問(wèn)題并沒(méi)有很好的解決[金龍，陳寧.基于人工神經(jīng)網(wǎng)絡(luò)的集成預(yù)報(bào)方法研究和比較氣象學(xué)報(bào)，1999，57(7)：198-207]。金龍等人基于BP神經(jīng)網(wǎng)絡(luò)建立汛期降水預(yù)測(cè)模型，結(jié)果表明該方法對(duì)歷史樣本擬合及預(yù)測(cè)效果均優(yōu)于逐步回歸模型，但是，BP神經(jīng)網(wǎng)絡(luò)模型本身的問(wèn)題并沒(méi)有深入的研究[李永華，劉德，金龍.基于BP神經(jīng)網(wǎng)絡(luò)的汛期降水預(yù)測(cè)模型研究.氣象科學(xué)，2002，22(4)：461-467]。金龍等人利用神經(jīng)網(wǎng)絡(luò)，結(jié)合均生函數(shù)建立了混合預(yù)報(bào)模型，對(duì)桂北，桂中和桂南6月降水量進(jìn)行預(yù)報(bào)實(shí)驗(yàn)，結(jié)果也表明了這種預(yù)報(bào)方法比均生函數(shù)回歸預(yù)報(bào)模型及預(yù)報(bào)因子回歸預(yù)報(bào)模型效果好，但是，文中選擇均生函數(shù)回歸所建立模型不一定是全局最優(yōu)，而最優(yōu)子集回歸的優(yōu)點(diǎn)在于能選到全局最優(yōu)的子集[金龍，羅瑩，李永華.長(zhǎng)期天氣的人工神經(jīng)網(wǎng)絡(luò)混合預(yù)報(bào)模型研究，系統(tǒng)工程學(xué)報(bào)，2003，18(4)：331-336，372]。金龍等人研究了基于主分量的神經(jīng)網(wǎng)絡(luò)模型，并將其運(yùn)用到了水位的預(yù)報(bào)，該模型明顯好于回歸因子神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型，但是對(duì)歷史樣本的擬合略差于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型[黃海洪，孫崇智，金龍.基于主分量的神經(jīng)網(wǎng)絡(luò)水位預(yù)報(bào)模型應(yīng)用研究，南京氣象學(xué)院學(xué)報(bào)，2005，28(1)：58-63]。孫映宏研究了均生函數(shù)與最優(yōu)子集回歸相結(jié)合建立了模型，并對(duì)模型進(jìn)行修正，采用了OSR建模方法計(jì)算誤差序列優(yōu)化預(yù)報(bào)方程，其結(jié)果表明MGF模型對(duì)水文要素進(jìn)行長(zhǎng)期預(yù)測(cè)具有一定的可信度[孫映宏.基于均生函數(shù)模型的杭州市年降雨量預(yù)測(cè)，水電能源科學(xué)，2009，27(2)：14-16]。

因此，可以考慮利用神經(jīng)網(wǎng)絡(luò)與均生函數(shù)-最優(yōu)子集回歸相結(jié)合的方法進(jìn)行時(shí)間序列的預(yù)測(cè)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)的不足，提供一種基于時(shí)間序列的預(yù)測(cè)方法，該方法將BP神經(jīng)網(wǎng)絡(luò)與均生函數(shù)-最優(yōu)子集回歸相結(jié)合，可獲得更高的預(yù)測(cè)準(zhǔn)確率，尤其對(duì)于中長(zhǎng)期預(yù)測(cè)。

本發(fā)明具體采用以下技術(shù)方案：

一種基于時(shí)間序列的預(yù)測(cè)方法，利用原始時(shí)間序列對(duì)未來(lái)時(shí)刻進(jìn)行預(yù)測(cè)，其特征在于，包括以下步驟：

步驟A、使用均生函數(shù)方法對(duì)原始時(shí)間序列進(jìn)行延拓，得到延拓序列；