基于趋势和周期波动的时间序列的智能预测方法
【专利摘要】本发明提供一种基于趋势和周期波动的时间序列的智能预测方法，包括：计算待预测的原始时间序列，分离该序列的波动分量和趋势分量；对于所述趋势分量，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型；根据和角公式将所述波动分量转化为周期变量，将所述周期变量加入所述最佳趋势模型；以可决系数最大化原则自动选取最大影响作用的z个周期长度，将z个周期长度代入包含周期变量的最佳趋势模型，得到最终完整模型；通过最终完整模型对所述原始时间序列进行运算，确定具体模型参数，从而预测所述原始时间序列的变化趋势。本发明通过预测处理的自动化，以及预测模型的趋势分量和波动分量的组合化，从而具有预测智能度和精度高的优点。
【专利说明】基于趋势和周期波动的时间序列的智能预测方法
【技术领域】
[0001]本发明属于数据分析【技术领域】，具体涉及一种基于趋势和周期波动的时间序列的智能预测方法。
【背景技术】
[0002]对事物的定量预测方法主要包括时间序列预测法和回归分析法。
[0003]时间序列是指按时间顺序排列的随时间变化的数值集合，普遍存在于实际生活中，例如:股票的每日价格、按季节排序的每季降雨量等。这种数据可以被抽象为一个二元组合(1，1)，其中4为时间变量，1为数据变量。时间序列预测在许多实际应用领域具有重要应用价值，目前，对于平稳时间序列已取得了较好的预测结果。但是，由于实际生产或生活中的时间序列非常复杂，表现出非线性、非平稳的特征，因此，对于时间序列研究较多的是其趋势变化分析，常见的分析方法主要有平均移动法和指数平滑法，即:平滑数据消除波动，以取得预测对象的发展趋势。而对于包含趋势分量和波动分量两种成分的时间序列预测，普通的时间序列预测方法对波动分量部分则完全不具有预测的可能。
[0004]回归分析法，是在掌握大量观察数据的基础上，利用数理统计方法建立因变量与自变量之间包含线性回归、多元线性回归和非线性回归等模型(比如抛物线模型、指数型模型、双曲线模型等)，可在很大程度上贴近趋势分量，却仍然难以反映叠加于趋势分量上的波动成分，特别是有多种波动簇存在的情况下更是如此。目前，现有技术中出现了对回归方法的改进方法，即:通过缩小空间，划分为若干小空间以求模型贴近趋势的方法，但仍然未解决波动分量的问题。
【发明内容】
[0005]针对现有技术存在的缺陷，本发明提供一种基于趋势和周期波动的时间序列的智能预测方法，同时考虑趋势分量和波动分量，具有预测智能度和精度高的优点。
[0006]本发明采用的技术方案如下:
[0007]本发明提供一种基于趋势和周期波动的时间序列的智能预测方法，包括以下步骤:
[0008]SI，建立趋势模型库；所述趋势模型库中存储三类趋势模型，即:线性趋势模型、非线性趋势模型和自适应趋势模型；每一类趋势模型包括若干个具体的趋势模型；
[0009]S2，读取待预测的原始时间序列，对所述原始时间序列进行计算，分离所述原始时间序列的波动分量和趋势分量；
[0010]S3，对于所述趋势分量，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型；其中，所述原始时间序列由N组原始观测数据组成；所述R2最大的趋势模型称为最佳趋势模型，表达式为Yt = f (X);其中，R2为可决系数，反映模型拟合程度；Yt为模型的因变量，X为模型的自变量为原始观测数据的组编号；
[0011]S4，根据和角公式将所述波动分量转化为周期变量W(Ti),将所述周期变量加入所述最佳趋势模型，得到式一所示的第一模型；
[0012]Yt = f (X)(T1) 式一；
[0013]S5，设所述原始时间序列的周期长度T分别取值1、2...Ν ;则将T的N个取值分别代入第一模型，得到Yp;分别计算Yp ν..ΥΝ的可决系数，得到N个可决系数；以可决系数最大化原则自动选取最大影响作用的ζ个周期长度；设ζ个周期长度分别表示为!\、V..Tz;
[0014]S6，将ζ个周期长度代入式一，得到式二:
[0015]Yt = MxHW(T1HW(T2)-WCrz);式二
[0016]S7，以式二所示模型为最终完整模型，通过最终完整模型对所述原始时间序列进行运算，确定具体模型参数，从而预测所述原始时间序列的变化趋势。
[0017]优选的，S3中，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型具体为:
[0018]通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2，然后比较获得R2最大的趋势模型。
[0019]本发明的有益效果如下:
[0020]本发明提供一种基于趋势和周期波动的时间序列的智能预测方法，同时考虑趋势分量和波动分量，具有预测智能度和精度高的优点。
【专利附图】
【附图说明】
[0021]图1为本发明提供的基于趋势和周期波动的时间序列的智能预测方法流程示意图；
[0022]图2为通过常规一元线性回归方法进行产量预测的拟合图；
[0023]图3为通过常规一元线性回归方法进行产量预测的残差分布图；
[0024]图4为本发明提供的智能预测方法进行产量预测的拟合图；
[0025]图5为本发明提供的智能预测方法进行产量预测的残差分布图。
【具体实施方式】
[0026]实施例
[0027]如图1所示，本发明提供一种基于趋势和周期波动的时间序列的智能预测方法，包括以下步骤:
[0028]SI，建立趋势模型库；所述趋势模型库中存储三类趋势模型，即:线性趋势模型、非线性趋势模型和自适应趋势模型；每一类趋势模型包括若干个具体的趋势模型；
[0029]S2，读取待预测的原始时间序列，对所述原始时间序列进行计算，分离所述原始时间序列的波动分量和趋势分量；
[0030]S3，对于所述趋势分量，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型；其中，所述原始时间序列由N组原始观测数据组成；所述R2最大的趋势模型称为最佳趋势模型，表达式为Yt = f (X);其中，R2为可决系数，反映模型拟合程度；Yt为模型的因变量，X为模型的自变量为原始观测数据的组编号；
[0031]具体的，通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2，然后比较获得R2最大的趋势模型。
[0032]S4，根据和角公式将所述波动分量转化为周期变量W(Ti),将所述周期变量加入所述最佳趋势模型，得到式一所示的第一模型；
[0033]Yt = MXhW(Ti) 式一；
[0034]S5，设所述原始时间序列的周期长度T分别取值1、2…N ;则将T的N个取值分别代入第一模型，得到Yp;分别计算Yp ν..ΥΝ的可决系数，得到N个可决系数；以可决系数最大化原则自动选取最大影响作用的ζ个周期长度；设ζ个周期长度分别表示为!\、V..Tz;
[0035]S6，将ζ个周期长度代入式一，得到式二:
[0036]Yt = MXHW(T1HW(T2)-WCrz);式二
[0037]S7，以式二所示模型为最终完整模型，通过最终完整模型对所述原始时间序列进行运算，确定具体模型参数，从而预测所述原始时间序列的变化趋势。
[0038]比较例
[0039]以我国棉花(皮棉)1915-2011年单产数据作为原始时间序列，数据来源于国家统计局，见表1所示。比较常规分析方法和本发明方法对棉花单产情况预测的精度。
[0040]表1 1915-2011年我国棉花单产表(千克/公顷)
[0041]
【权利要求】
1.一种基于趋势和周期波动的时间序列的智能预测方法，其特征在于，包括以下步骤: Si，建立趋势模型库；所述趋势模型库中存储三类趋势模型，即:线性趋势模型、非线性趋势模型和自适应趋势模型；每一类趋势模型包括若干个具体的趋势模型； S2，读取待预测的原始时间序列，对所述原始时间序列进行计算，分离所述原始时间序列的波动分量和趋势分量； S3，对于所述趋势分量，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型；其中，所述原始时间序列由N组原始观测数据组成；所述R2最大的趋势模型称为最佳趋势模型，表达式为Yt = f (X);其中，R2为可决系数，反映模型拟合程度；Yt为模型的因变量，X为模型的自变量为原始观测数据的组编号； S4，根据和角公式将所述波动分量转化为周期变量W (Ti)，将所述周期变量加入所述最佳趋势模型，得到式一所示的第一模型； Yt = f (X)+W (Ti) 式一； S5，设所述原始时间序列的周期长度T分别取值1、2…N ;则将T的N个取值分别代入第一模型，得到1、;分别计算1、的可决系数，得到N个可决系数；以可决系数最大化原则自动选取最大影响作用的z个周期长度；设z个周期长度分别表示为TpT2-Tz; S6，将z个周期长度代入式一，得到式二:
Yt = f (X) +W (T1) +W (T2)…W (Tz)； 式二 S7，以式二所示模型为最终完整模型，通过最终完整模型对所述原始时间序列进行运算，确定具体模型参数，从而预测所述原始时间序列的变化趋势。
2.根据权利要求1所述的基于趋势和周期波动的时间序列的智能预测方法，其特征在于，S3中，通过回归计算在所述趋势模型库中自动选取R2最大的趋势模型具体为: 通过回归计算分别计算所述趋势模型库中每一个趋势模型的R2，然后比较获得R2最大的趋势模型。
【文档编号】G06Q10/04GK104182800SQ201310189264
【公开日】2014年12月3日 申请日期:2013年5月21日 优先权日:2013年5月21日
【发明者】魏晓文, 雷亚平 申请人:中国农业科学院棉花研究所