[發明專利]基于貝葉斯算法的時間序列數據預測方法

在審

• 申請號: 202010772255.5
• 申請日: 2020-08-04
• 公開（公告）號: CN111881188A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 曲寒冰;路玲玲;趙傳虎;閻剛;于洋;于明
• 申請（專利權）人: 河北工業大學;北京市新技術應用研究所
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06F17/18;G06Q10/04
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰

本發明為一種基于貝葉斯算法的時間序列數據預測方法，該方法包括以下步驟：處理原始數據，從中提取實驗所需要的數據信息；在由兩個維度的時間信息形成的二維方格圖上對提取的數據當中的事件信息進行統計，并將統計值作為觀測值，生成一個包含兩種時間信息以及與這兩種不同的時間信息所組成的每一個時間點相對應的觀測值數據框，即得到時間序列數據；與每一個時間點相對應的觀測值整體上服從泊松分布，采用rw2d模型模擬時間序列數據的趨勢；利用貝葉斯算法給出rw2d模型參數的先驗分布信息，最后對rw2d模型參數后驗分布進行估算。根據估算后的后驗分布可以得出大維度時間標簽下的小維度時間標簽相應事件的相對風險，來提高最終預測結果的準確度。

技術領域

本發明涉及一種時間序列數據預測方法，尤其涉及基于貝葉斯算法的時間序列數據預測方法。屬于時間序列數據挖掘技術領域。

背景技術

時間序列數據指的是按照時間排列的一組數據，大量的時間序列數據會真實的記錄事件在不同時刻的重要信息，從時間序列數據當中可以探索不同時刻事件信息之間的關系，進而可以從時間的角度實現對事件的有效預測和控制。時間序列數據挖掘的基本思路為：針對大量的時間序列數據，根據應用的目的，選擇合適的挖掘方法，進而從已有的時間序列數據中挖掘其內在隱含的規則，然后再利用這些規則對時間序列數據未來的變化趨勢進行預測或描述。

應用于時間序列數據預測的傳統方法主要包含：簡單序時平均數法、移動平均法、加權移動平均法、指數平滑法以及簡單移動平均法。貝葉斯算法與上述傳統的預測方法有著很大的差異，傳統的預測方法只會根據樣本信息，利用過去的數據產生常規預測，而貝葉斯算法的基本原理是將模型參數看成服從一定概率分布的隨機變量，給出待估參數的先驗分布信息，然后利用貝葉斯定理求出待估參數的后驗分布，將根據后驗分布所求得的后驗均值作為待估參數的估計量，將此估計量作為總體的預測結果。這是現有的貝葉斯時間序列數據預測方法當中利用貝葉斯算法對模型參數進行后驗分布計算時具備的特點。

目前在本研究領域常規的基于貝葉斯算法的時間序列數據預測僅使用一維信息的時間序列數據借助rw模型來實現，其中rw模型包含兩類：rw1模型(一階隨機游走模型)和rw2(二階隨機游走模型)模型，在rw1模型中對一個時刻的事件信息的預測只需要前一個時刻的事件信息即可，在rw2模型中對于一個時刻的事件信息的預測需要前兩個時刻的事件信息，在一維信息的時間序列數據進行預測這會導致時間序列數據最終的預測結果與觀測值之間存在一個比較大的誤差，預測精度較低。而現有的貝葉斯時間序列模型也都是在一維信息的時間序列數據進行預測，只是在使用過去的某一個時刻的觀測值進行預測還是使用過去的某幾個時刻的觀測值進行預測的選擇上有區別。

發明內容

針對于目前本研究領域基于貝葉斯算法的時間序列數據預測僅使用一維信息的時間序列數據借助本領域公知的rw2模型來實現，最終會導致時間序列數據的預測值與觀測值之間存在一個比較大的誤差問題，本發明通過改進時間序列數據預測方法，來提高最終預測結果的準確度。

本發明提出的基于貝葉斯算法的時間序列數據預測方法，使用二維信息的時間序列數據采用rw2d模型進行預測的實驗結果，與僅使用一維信息的時間序列數據采用本領域公知的rw2模型進行預測的實驗結果相比，本發明所述基于貝葉斯算法的時間序列數據預測方法所得到的預測值的準確度會更高。

本發明提出的一種基于貝葉斯算法的時間序列數據預測方法，包括以下步驟：

S1，處理原始數據，從中提取實驗所需要的數據信息；

S2，在由兩個維度的時間信息形成的二維方格圖上對上述數據當中的事件信息進行統計，并將統計值作為觀測值，生成一個包含兩種時間信息以及與這兩種不同的時間信息所組成的每一個時間點相對應的觀測值數據框，即得到時間序列數據；