[發明專利]一種基于ARMA和回歸分析的生活能源消費預測方法及系統

有效

• 申請號: 201810609136.0
• 申請日: 2018-06-13
• 公開（公告）號: CN108830417B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 王紅;付園斌;王露潼;宋永強;房有麗;周瑩;狄瑞彤
• 申請（專利權）人: 山東師范大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

本發明公開了一種基于ARMA和回歸分析的生活能源消費預測方法及系統，獲取人均生活能源消費項目及其測量值；建立與人均生活能源消費測量值相對應的第一樣本，構建時間序列；根據貝葉斯信息量準則，確定ARMA模型的階數，構造ARMA模型；建立以現實因素的影響因子與時間序列的樣本集合為第二樣本；對第二樣本進行回歸分析，得到組合預測模型；利用組合預測模型對時間序列進行組合預測。本發明采用基于ARMA和回歸分析的組合機器學習預測模型，能更好地適應時間序列的特性并準確描述現實影響因素，具有測試準確度高的有益效果。

技術領域

本發明涉及能源預測數據挖掘領域，具體涉及一種基于ARMA和回歸分析的生活能源消費預測方法及系統。

背景技術

能源在經濟發展中占有重要的地位，是影響國家戰略和政策的重要因素。近年來，中國能源工業的蓬勃發展為中國經濟增長提供了源源不斷的動力，但在能源工業發展過程中，人均能源不足、能源利用效率低、環境污染嚴重等問題日益凸顯，為此需要對我國的能源結構和能源消費進行調整和控制，而對人均生活能源消費進行預測，有助于制定合理的能源調控措施，對經濟和環境的健康發展有著重要意義。目前對于能源的預測多采用時間序列法，時間序列法通過尋找歷史數據中的潛在規律，對未來數據進行預測，但單一的時間序列模型在預測非線性的混沌序列時，預測結果往往具有較大的誤差。此外，實際條件下的時間序列在某一時刻的值不僅取決于自身的變化規律，還受到人口、經濟等因素的影響，而時序模型無法描述現實影響因素的特征信息。

綜上所述，現有技術中對于預測結果誤差大，時序模型無法描述現實影響因素的問題，尚缺乏有效的解決方案。

發明內容

為了克服上述現有技術的不足，本發明提供了一種基于ARMA和回歸分析的生活能源消費預測方法及系統，采用基于ARMA和回歸分析的組合機器學習預測模型，能更好地適應時間序列的特性并準確描述現實影響因素，具有測試準確度高的有益效果。

本發明所采用的技術方案是：

一種基于ARMA和回歸分析的生活能源消費預測方法，該方法包括以下步驟：

獲取人均生活能源消費項目及其測量值；

建立與人均生活能源消費測量值相對應的第一樣本，構建時間序列；

根據貝葉斯信息量準則，確定ARMA模型的階數，構造ARMA模型；

建立以現實因素的影響因子與時間序列的樣本集合為第二樣本；

對第二樣本進行回歸分析，得到組合預測模型；

利用組合預測模型對第一樣本進行組合預測。

進一步的，還包括對人均生活能源消費測量值進行篩選，剔除人均生活能源消費量中的缺失值；對人均生活能源消費測量值中的測量缺失值進行擬合，對經篩選和擬合后的人均生活能源消費測量值進行格式轉換的步驟。

進一步的，所述時間序列的構建方法為：

建立與人均生活能源消費測量值相對應的第一樣本，將第一樣本作為初始序列；

對初始序列進行k階差分運算，得到基于人均生活能源消費項目且滿足平穩性要求的時間序列。

進一步的，若初始序列不是平穩序列，則需要對初始序列做k階差分運算，k是使序列滿足平穩性要求的最小差分運算次數；若初始序列滿足平穩性要求，則不需要做差分運算，此時k值為0。

進一步的，所述對第二樣本進行回歸分析的方法包括：

將現實因素的影響因子和時間序列作為回歸分析的自變量，將時間序列某一時刻的取值作為回歸分析的因變量進行函數擬合，得到若干個回歸分析樣本，建立回歸分析樣本集；