[發(fā)明專利]一種時間序列預測方法

在審

• 申請?zhí)枺?/td>: 201710423923.1
• 申請日: 2017-06-07
• 公開（公告）號: CN107358311A
• 公開（公告）日: 2017-11-17
• 發(fā)明（設計）人: 肖秦琨;司陽;高嵩
• 申請（專利權）人: 西安工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06F17/18
• 代理公司: 西安通大專利代理有限責任公司61200
• 代理人: 徐文權

技術領域

本發(fā)明屬于系統(tǒng)辨識技術領域，涉及一種時間序列預測方法，具體涉及一種基于長短時記憶和動態(tài)貝葉斯網絡的時間序列預測方法。

背景技術

時間序列預測是系統(tǒng)辨識領域的熱點問題，具有廣泛的應用前景，受到很多學者和研究者的關注。同時，由于不確定性的增加，多步預測遇到了巨大的挑戰(zhàn)。多步預測經常用到一些基本策略，如迭代法和直接法。

在基于迭代法的策略中，首先計算一步超前預測，然后基于一步超前預測值來預測其他數據。另一方面，在基于直接法的策略中，可以根據相同的預測模型估算一步超前或多步超前值。通常，累積誤差是影響迭代法中預測精度的重要因素，而計算成本則是直接法中需要考慮的重要因素。

除此之外還提出了一些其他算法，例如多輸入多輸出(MIMO)方法和DirRec策略，以及多輸入多輸出(MISMO)預測模型等。在MIMO和MISMO算法中，主要思想是獲得更高的預測精度。同時，這些方法都具有較高的計算成本。在MISMO算法中，初始預測任務通常被轉換為子任務，進而使用最優(yōu)解計算輸出，其中算法復雜度是一個關鍵問題。

目前國外公開的文獻中，文獻[1].A.Sorjamaa and A.Lendasse,"Time series prediction using DirRec strategy,"European Symposium on Artificial Neural Networks Bruges(Belgium),26-28April2006.提出了DirRec策略；文獻[2].G.Bontempi,"Long term time series prediction with multi-input multi-output local learning,"European Symposium on Time Series Prediction,Helsinki,Finland,2008,pp.145-154.提出了多輸入多輸出(MIMO)方法；文獻[3].S.Ben Taieb,G.Bontempi,A.Sorjamaa,and A.Lendasse,"Long-term prediction of time series by combining direct and MIMO strategies,"IEEE International Joint Conference on Neural Networks,Atlanta,U.S.A.,2009,pp.3054-3061.提出了多輸入多輸出(MISMO)預測模型；文獻[4].S.Ben Taieb,A.Sorjamaa,and G.Bontempi,"Multiple-output modeling for multi-step-ahead time series forecasting,"Neurocomputing,vol.73,pp.1950-1957,2010.使用了最優(yōu)解輸出算法。

但上述文獻的預測效果有幾點不足：

(1)文獻[1][2][3]主要思想是獲得更高的預測精度，但這些方法都有較高的計算成本；

(2)文獻[2][3]中提出的多輸入多輸出(MIMO)方法和多輸入多輸出(MISMO)預測模型為了達到更高的預測精度，一般樣本數據都要求盡可能大，大大增加了算法的復雜度，同時也提高了運算成本；

(3)文獻[4]提出的最優(yōu)解輸出算法，算法實現很簡單，但容易陷入局部最優(yōu)解，而不一定能搜索到全局最優(yōu)解；

(4)文獻[2]中所涉及到的多步預測的基本策略中，累積誤差是影響迭代法中預測精度的重要因素，而計算成本則是直接法中需要考慮的重要因素。

發(fā)明內容

本發(fā)明提供了一種時間序列預測方法，本方法保證了時間序列預測的精度和速度，大大減少了算法的復雜度，節(jié)約了計算成本。

本發(fā)明的技術方案是：一種時間序列預測方法，包括以下步驟：

步驟1，輸入訓練數據和測試數據；

步驟2，基于Takens定理，計算相空間重構參數；

步驟3，將訓練數據重建，得到重建的訓練數據；

步驟4，使用重建的訓練數據，計算GUR參數，并且GUR參數服從高斯分布，然后估計概率密度；

步驟5，將測試數據，通過系統(tǒng)方程計算得到重構測試數據；

步驟6，基于先驗信息設置先驗分布；

步驟7，基于貝葉斯理論方法計算先驗分布的下一步預測；

步驟8，基于貝葉斯規(guī)則計算測量更新，并且估算最優(yōu)預測值，然后輸出最優(yōu)預測值。