[發明專利]結合互補集合經驗模態分解的Xgboost時間序列預測方法

有效

• 申請號: 201711353240.X
• 申請日: 2017-12-15
• 公開（公告）號: CN108228978B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 胥博
• 申請（專利權）人: 四川金網通電子科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/18;G06F111/10;G06F119/12
• 代理公司: 四川省成都市天策商標專利事務所 51213
• 代理人: 劉興亮

本發明公開了結合互補集合經驗模態分解的Xgboost時間序列預測方法，具體步驟如下：步驟一：數據預處理；步驟二：利用互補集合的經驗模態分解方法對銷售數據時間序列處理互補集合的經驗模態分解；步驟三：利用Xgboost建立正交性因素建立回歸模型；步驟四利用Xgboost擬合非正交特征因素影響以外的部分。本發明利用本征模態函數的正交性，保證了Xgboost尋找最優模型的收斂路徑首先是先從外空間然后到內空間，然后再從內空間中尋找一個路徑逐步收斂到對應的本征模態函數，這兩個收斂過程中分別減小了外空間誤差和內空間誤差，同時也保證了正交性，最終提高了模型的泛化性。

技術領域

本發明涉及一種時間序列預測方法，具體涉及一種結合互補集合經驗模態分解的Xgboost時間序列預測方法。

背景技術

時間序列是指將同一統計指標的數值按其發生的時間先后順序排列而成的數列，在日常的生產生活中，收集的時間序列變化常常被各種各樣的因素影響，如天氣情況、交通狀況、地域等等，這些因素導致了收集的時間序列時非穩態的。常用的時間序列預測分析模型是如自回歸滑動平均模型等，是基于時間序列滿足平穩條件假設的前提下建立的，因此這些模型更適合分析平穩態的數據。為了能夠更好的分析復雜的非平穩態數據，可以利用信號分析的手段對時間序列數據做適當的處理。

經驗模態分解過程是一種信號分析手段，該方法可以將一個非平穩態信號轉化為一系列的平穩態信號的過程，其中每個平穩態信號被稱為本征模態函數，代表了一種模態。該方法于1998年首次由Huang提出。為了保證分解具有嚴密性以及不存在能量泄漏，則分解的本征模態函數應具有正交性，即本征模態函數兩兩之間內積為零。Huang也說明了他提出經驗模態分解方法產生本征模態函數在實際分解中并不能保證嚴格的正交性，本質是本征模態函數中存在著“模態混疊”現象，即可能存在一些本征模態函數包含有多個模態成分。禹丹江采樣快速傅立葉變換結合經驗模態分解方法，將信號進行頻譜分析，根據頻譜分析結果對經驗模態分解過程設置分解中的每一次分解的特征時間尺度上限，但是該方法的局限是FFT本身不適用于分析非平穩信號。Wu提出了集合經驗模態分解方法，該方法是高斯白噪聲迭代求取各階模態函數，但是很容易干擾信號模態的正確分解。

2014年Chen提出了Xgboost算法。Xgboost是一個設計高效、靈活并且可移植的最優分布式決策梯度提升庫，利用bagging并行集成學習方法，通過一組弱分類器的迭代計算實現準確的分類效果。它是一種梯度提升框架下的機器學習算法。XGbooost可以利用CPU的多線程并行計算，在算法的實現上又增加了正則項，極大地提高了模型運算效率，也使模型的泛化能力得到提升，在分布式應用上也有明顯優勢。相比較于常用的支持向量機，神經網絡等方法，XGboost的收斂更快速，準確率更高。

張弦提出了基于支持向量經驗模態分解的故障率時間序列預測方法。其中，支持向量是指支持向量機算法。該方法針對故障率時間序列的非平穩特性，利用一般的經驗模態(EMD)分解方法將時間序列分解成多個本征模態函數和一個余項，然后利用支持向量機方法預測每個分量的數據，求和得到預測數據。

顏宏文提出了一種基于完備總體經驗模態分解和極限學習機的風速預測方法，其中完備總體經驗模態分解是一種改進的經驗模態分解方法，極限學習機是一種機器學習算法。該方法利用完備總體經驗模態分解方法多次添加高斯白噪聲然后平均消除了“模態混疊”現象，提高了模型擬合精度。

為了保證分解具有嚴密性以及不存在能量泄漏，則分解的固有模態函數應具有正交性和完備性，即固有模態函數兩兩之間相互正交和分解得到本征模態函數能夠重構原來信號。以上兩種方法，得到的每個本征模態函數回歸模型只是檢驗它的完備性但是未檢驗它們之間的正交性，因此得到的預測模型和真實數據之間必然存在較大的差距。另一方面，完備經驗模態分解雖然基本消除了“模態混疊”現象，但是添加的高斯白噪聲成分產生的影響保留在分量中。