[發明專利]基于經驗模態分解和前饋神經網絡對時序數據的預測方法

有效

• 申請號: 202010230486.3
• 申請日: 2020-03-27
• 公開（公告）號: CN111428201B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 姚若俠;劉云鶴
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06F17/16;G06N3/0499
• 代理公司: 西安永生專利代理有限責任公司 61201
• 代理人: 申忠才

一種基于經驗模態分解和前饋神經網絡對時序數據的預測方法，由對數據集缺失值處理、獨熱編碼處理、主成分分析方法降維、經驗模態分解、數據標準化處理、前饋神經網絡訓練、對測試集測試步驟組成。本發明采用了主成分分析方法降維和經驗模態分解方法，通過降維減少預測變量的個數，得到的數據包含了原始數據的大部分信息，保證降維后得到的數據中每個變量不包含重復的原始數據信息，在前饋神經網絡訓練時，用本征模函數代替原始時序數據進行訓練，輸入降維后的數據集，減少了變量個數，獲得了準確的結果，訓練時間大幅度減少，可用于對時序數據預測。

技術領域

本發明屬于時序數據預測的領域，具體涉及EMD分解、PCA降維和BP神經網絡訓練等方法。

背景技術

目前已經有很多方法可用于對時序數據進行預測，比如向量自回歸模型、自回歸滑動平均模型、自回歸積分滑動平均模型，以及基于回歸的方法線性支持向量回歸。這些模型經常假設時間序列有確定的分布或函數形式，但是不能獲取復雜潛在的非線性關系。其他模型，如高斯過程需要較高的計算成本來處理大尺度的數據。

目前從實際生活中記錄的時序數據大都是沒有任何函數特性的數據，直接將這些數據輸入神經網絡進行訓練，得不到最優的訓練模型，消耗了大量的時間，用現有的時序數據預測方法進行預測，只能預測到后面的一兩個點，得不到滿意的預測效果。

發明內容

本發明所要解決的預測問題在于克服上述現有預測方法的不足，提供一種預測結果準確、處理數據速度快、精度高的基于經驗模態分解和前饋神經網絡對時序數據的預測方法。

解決上述技術問題所采用的技術方案由下述步驟組成：

(1)對數據集缺失值處理

將時序數據集A_b的缺失值進行統計并查找其位置，缺失值超過3個連續出現時，刪除包含該缺失值的行，缺失值的位置連續數為1～3時，用缺失值插補法中的均值插補法進行缺失值填充，得到時序數據集A{A₁,A₂,A₃}，其中A₁{x₁,x₂,...,x_m|x_i＝(x_i1,x_i2,…,x_iq)^T，i為有限正整數；q為數據集A的樣本個數}為數據集中的類別變量，A₂{y₁,y₂,…,y_n|y_j＝(y_j1,y_j2,…,y_jq)^T，j為有限正整數}為數據集中除去類別變量和待預測時序數據的其它變量，A₃{z₁,z₂,…,z_p|z_l＝(z_l1,z_l2,…,z_lq)^T，l為有限正整數}為數據集中需要預測的時序數據。

(2)獨熱編碼處理

對數據集中的類別變量A₁，進行獨熱編碼方法處理，統計類別變量A₁中每一個類別變量x_i的類別值個數，用連續自然數從1開始對類別變量x_i的類別值進行代替，自然數的個數為類別變量值的個數，再進行獨熱編碼處理，將類別變量A₁轉換成二進制編碼矩陣B{B₁,B₂,…，B_m|B_i為類別變量x_i獨熱編碼得到的數據}。

(3)主成分分析方法降維