[發明專利]一種基于回歸分析的學科預測算法

在審

• 申請號: 201911383311.X
• 申請日: 2019-12-28
• 公開（公告）號: CN111222691A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 賈新志
• 申請（專利權）人: 上海驥灝網絡股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F17/16;G16Y40/10;G16Y40/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于回歸分析的學科預測算法，其特征在于，包括以下步驟：

S1，基于預設的數據窗口長度，獲取系統初始采樣數據序列，利用初始采樣數據序列計算系統線性回歸預測模型的模型系數，并記錄；

S2，獲取增加的系統采樣點數據，基于預設的數據窗口長度，形成新的系統采樣數據序列；確定新的系統采樣數據序列較初始采樣數據序列所增加的系統采樣點數據和減少的系統采樣點數據；

S3，基于增加/減少的系統采樣點數據以及當前模型系數，更新模型系數；然后基于減少/增加的系統采樣點數據以及更新后的模型系數，再次更新模型系數，并記錄；

S4，隨系統采樣點的增加重復步驟S2至步驟S4，得到每次采樣點數據增加、采樣數據序列變化后的模型系數，并記錄。

2.根據權利要求1所述的一種基于回歸分析的學科預測算法，其特征在于，還包括步驟S5，基于已記錄的模型系數對系統性能的變化進行分析。

3.根據權利要求1所述的一種基于回歸分析的學科預測算法，其特征在于，步驟S1中，對于系統模型Y^T＝W^TX，Y為對應采樣輸入量X的系統輸出量，W為模型系數，則有中間矩陣CN＝(XX^T)^-1，模型系數WN^T＝Y^TX^TCN。

4.根據權利要求1所述的一種基于回歸分析的學科預測算法，其特征在于，步驟S1中，對于系統模型Y^T＝W^TX，Y為對應采樣輸入量X的系統輸出量，W為模型系數，則有中間矩陣CN＝(XX^T+λI)^-1，λ為嶺回歸系數，I為單位矩陣，當前模型系數矩陣WN^T＝Y^TX^TCN。

5.根據權利要求3或4所述的一種基于回歸分析的學科預測算法，其特征在于，基于增加的系統采樣點數據以及當前模型系數進行模型系數更新包括：

定義輸入量初始采樣數據序列矩陣為：X＝[xN-m+1…xN]，

輸出量采樣數據矩陣為：Y^T＝[yN-m+1…yN]，

增加的輸入量/輸出量系統采樣點數據為xN+1/yN+1，構成矩陣x+＝xN+1/y+＝yN+1；則采樣點數據增加后的中間矩陣為：CN+＝CN-CNx+(I+x+^TCNx+)x+^TCN，

采樣點數據增加后的模型系數矩陣為：

WN+^T＝WN^T-WN^Tx+(I+x+^TCNx+)x+^TCN+y+^Tx+^TCN+；

將采樣點數據增加后的中間矩陣CN+和模型系數矩陣WN+更新為當前中間矩陣CN和當前模型系數矩陣WN。

6.根據權利要求5所述的一種基于回歸分析的學科預測算法，其特征在于，基于減少的系統采樣點數據以及當前模型系數進行模型系數更新包括：

定義減少的輸入量/輸出量系統采樣點數據為xN-m+1/yN-m+1，構成矩陣x_＝xN-m+1/y_＝yN-m+1，

則采樣點數據減少后的中間矩陣為：CN-＝CN+CNx-(I+x-^TCNx-)x-^TCN，采樣點數據減少后的模型系數矩陣為：

WN-^T＝WN^T+WN^Tx-(I+x-^TCNx-)x-^TCN-y-^Tx-TCN-

將采樣點數據減少后的中間矩陣CN-和模型系數矩陣WN-^T更新為當前中間矩陣CN和當前模型系數矩陣WN。

7.根據權利要求1所述的一種基于回歸分析的學科預測算法，其特征在于，步驟S1、S3以及S4中，分別將計算得到的模型系數結果記錄為對應相應采樣數據序列中最新采樣點的模型系數。