[發(fā)明專利]基于支持向量回歸的時(shí)間序列預(yù)測方法及系統(tǒng)

無效

• 申請?zhí)枺?/td>: 201110320482.5
• 申請日: 2011-10-20
• 公開（公告）號(hào): CN102360388A
• 公開（公告）日: 2012-02-22
• 發(fā)明（設(shè)計(jì)）人: 張莉;周偉達(dá);王邦軍;李凡長;楊季文;何書萍
• 申請（專利權(quán)）人: 蘇州大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 常亮;李辰

技術(shù)領(lǐng)域

本申請涉及時(shí)間序列預(yù)測領(lǐng)域，特別是涉及一種基于支持向量回歸的時(shí) 間序列預(yù)測方法及系統(tǒng)。

背景技術(shù)

時(shí)間序列是一個(gè)有序的觀測數(shù)據(jù)序列，其體現(xiàn)了某個(gè)現(xiàn)象的某一個(gè)統(tǒng)計(jì) 指標(biāo)在時(shí)間上的分布情況，如某地區(qū)在10月1號(hào)至15號(hào)的用電負(fù)荷數(shù)據(jù)。 時(shí)間序列預(yù)測方法則是利用已獲得的歷史時(shí)間序列集合，分析集合中的歷史 數(shù)據(jù)的內(nèi)在統(tǒng)計(jì)學(xué)特性和發(fā)展規(guī)律，獲得預(yù)測數(shù)據(jù)以顯示數(shù)據(jù)的發(fā)展趨勢。

目前常用的時(shí)間序列預(yù)測方法為基于單個(gè)SVR(Support?Vector? Regression，支持向量回歸)的時(shí)間預(yù)測方法，該方法首先從已有的時(shí)間序列 數(shù)據(jù)集選取歷史數(shù)據(jù)，得出一個(gè)訓(xùn)練數(shù)據(jù)集，其中訓(xùn)練數(shù)據(jù)集包括多個(gè)已有 的時(shí)間序列數(shù)據(jù)子集和與各個(gè)時(shí)間序列數(shù)據(jù)子集對應(yīng)的預(yù)測值，任一時(shí)間序 列數(shù)據(jù)子集和其對應(yīng)的預(yù)測值為時(shí)間序列數(shù)據(jù)集中的歷史數(shù)據(jù)；其次，確定 待構(gòu)建的SVR模型的正則參數(shù)和高斯核參數(shù)，依據(jù)所述正則參數(shù)和高斯核參 數(shù)，對訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建SVR模型，之后選取t-d+1時(shí)刻至當(dāng)前t 時(shí)刻之間的d個(gè)歷史數(shù)據(jù)作為SVR模型的輸入數(shù)據(jù)，預(yù)測t+1時(shí)刻的數(shù)據(jù)， 其中d為時(shí)延；最后，將預(yù)測出的t+1時(shí)刻的數(shù)據(jù)加入到d個(gè)歷史數(shù)據(jù)中，且 同時(shí)將d個(gè)歷史數(shù)據(jù)中最先獲得的數(shù)據(jù)刪除，重復(fù)上述步驟直至獲得被預(yù)測 時(shí)刻的預(yù)測值，其中，最先獲得的數(shù)據(jù)為獲得時(shí)間最早的數(shù)據(jù)。即在預(yù)測t+2 時(shí)刻的數(shù)據(jù)時(shí)將包含有t+1時(shí)刻的d個(gè)歷史數(shù)據(jù)作為SVR模型的輸入數(shù)據(jù)進(jìn) 行預(yù)測。也就是說在預(yù)測t+i時(shí)刻的數(shù)據(jù)時(shí)，將包含有t+i-1時(shí)刻的d個(gè)歷史 數(shù)據(jù)作為SVR模型的輸入數(shù)據(jù)進(jìn)行預(yù)測，這種預(yù)測方式稱為基于單個(gè)SVR 模型的一步時(shí)間預(yù)測方法。

然而，基于單個(gè)SVR模型的一步時(shí)間預(yù)測方法在一步預(yù)測過程中都會(huì)存 在一個(gè)預(yù)測誤差，該預(yù)測誤差在數(shù)據(jù)預(yù)測的反復(fù)迭代過程中，即多步預(yù)測過 程會(huì)隨著預(yù)測次數(shù)的增加而累積，預(yù)測誤差的累積直接降低預(yù)測得出的數(shù)據(jù) 的精確度。

發(fā)明內(nèi)容

有鑒于此，本申請實(shí)施例公開一種基于支持向量回歸的時(shí)間序列預(yù)測方 法及系統(tǒng)，以解決現(xiàn)有單個(gè)SVR模型的一步時(shí)間預(yù)測方法在預(yù)測過程中，預(yù) 測次數(shù)的增加而累積，預(yù)測誤差隨預(yù)測次數(shù)增加而累積，這種累積直接降低 預(yù)測得出的數(shù)據(jù)的精確度的問題。技術(shù)方案如下：

基于本申請實(shí)施例的一方面，公開一種基于支持向量回歸的時(shí)間序列預(yù) 測方法，包括：

從已有的時(shí)間序列數(shù)據(jù)集中選取歷史數(shù)據(jù)，得出多個(gè)訓(xùn)練數(shù)據(jù)集；

確定待構(gòu)建的SVR模型的正則參數(shù)和高斯核參數(shù)，依據(jù)所述正則參數(shù)和 高斯核參數(shù)，分別對每個(gè)訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建自身對應(yīng)的支持向量回 歸SVR模型；

選取t-T+1時(shí)刻至當(dāng)前t時(shí)刻之間的T個(gè)歷史數(shù)據(jù)，其中，T為所述SVR 模型的個(gè)數(shù)；

在被預(yù)測時(shí)刻與當(dāng)前時(shí)刻的第一差值小于等于所述SVR模型的個(gè)數(shù)的情 況下，選取與所述第一差值對應(yīng)的SVR模型，對所述T個(gè)歷史數(shù)據(jù)直接利用 該SVR模型獲得被預(yù)測時(shí)刻的預(yù)測值。

優(yōu)選地，還包括：在被預(yù)測時(shí)刻與當(dāng)前時(shí)刻的第一差值大于所述SVR模 型的個(gè)數(shù)的情況下，對所述T個(gè)歷史數(shù)據(jù)利用多個(gè)SVR模型獲得被預(yù)測時(shí)刻 的預(yù)測值。

優(yōu)選地，所述對T個(gè)歷史數(shù)據(jù)利用多個(gè)SVR模型直接獲得被預(yù)測時(shí)刻的 預(yù)測值包括：在被預(yù)測時(shí)刻與當(dāng)前時(shí)刻的第一差值大于所述SVR模型的個(gè)數(shù) 的情況下，利用選取的T個(gè)歷史數(shù)據(jù)分別對應(yīng)的SVR模型，得出T個(gè)歷史數(shù) 據(jù)自身的預(yù)測值；

將所述得出的T個(gè)歷史數(shù)據(jù)自身的預(yù)測值更新為選取的t-T+1時(shí)刻至當(dāng)前 t時(shí)刻之間的T個(gè)歷史數(shù)據(jù)，并將所述第一差值與SVR模型的個(gè)數(shù)的第二差 值作為被測時(shí)刻；

判斷該被測時(shí)刻與當(dāng)前時(shí)刻的差值是否大于所述SVR模型的個(gè)數(shù)，在所 述差值小于等于所述SVR模型的個(gè)數(shù)的情況下，執(zhí)行選取與所述第一差值對 應(yīng)的SVR模型，對所述T個(gè)歷史數(shù)據(jù)直接利用該SVR模型獲得被預(yù)測時(shí)刻 的預(yù)測值的步驟，在所述差值大于所述SVR模型的個(gè)數(shù)的情況下，執(zhí)行利用 選取的T個(gè)歷史數(shù)據(jù)分別對應(yīng)的SVR模型，得出T個(gè)歷史數(shù)據(jù)自身的預(yù)測值 的步驟。

優(yōu)選地，采用交叉驗(yàn)證方法，確定待構(gòu)建的SVR模型的正則參數(shù)和高斯 核參數(shù)。

優(yōu)選地，不同訓(xùn)練數(shù)據(jù)集包括的時(shí)間序列數(shù)據(jù)子集個(gè)數(shù)不同。