基于统计信号处理的时间序列预测模型选择方法技术

基于统计信号处理的时间序列预测模型选择方法，涉及一种时间序列预测模型的选择方法，本发明专利技术为解决现有时间序列预测模型的选择效率低、准确度低，专业背景浅薄的工作人员无法快速、准确地选择时间序列预测模型的问题。本发明专利技术的具体过程为：获取输入时间序列特性，确定种类；根据种类与候选预测模型映射关系，将候选预测模型作为定性选择预测模型；获取适用性量化评价指标；分别获取整体误差指标、局部误差指标、无量纲准则性指标和实验性能指标中性能指标最优的两个；统计每个预测模型被选为最优的次数；选择次数最多的两个预测模型；进行预测能力差异检验，选择性能最优的模型作为最终的最优预测模型。本发明专利技术用于时间序列预测模型选择。

【技术实现步骤摘要】

本专利技术涉及一种时间序列预测模型的选择方法。
技术介绍
时间序列预测模型与时间序列特性之间的匹配程度决定了预测效果，因此需要针 对时间序列为其选择适合的时间序列预测模型进行预测分析。然而，在现有研宄中，主要基 于经验或少量的实验进行预测模型的选择，在选择过程中主观因素影响较多，并且即使采 用实验方式进行模型选择，往往也只是使用单一的评价指标进行片面的适用性评价并基于 这种片面的评价结果进行模型的选择，这样选择出的模型往往不是综合性能最优的。 因此，当前缺少一种高效、全面的对时间序列预测模型选择方法，能够综合考虑时 间序列特性与预测模型之间的匹配性以及对时间序列预测模型适用性的全面量化评价，实 现时间序列预测模型的快速、准确选择，为无专业背景知识的人提供一定的模型选择建议。
技术实现思路
本专利技术目的是为了解决现有时间序列预测模型的选择效率低、准确度低，专业背 景浅薄的工作人员无法快速、准确地选择时间序列预测模型的问题，提供了一种基于统计 信号处理的时间序列预测模型选择方法。 本专利技术所述，该选择方法的具体 过程为： 步骤1、获取输入时间序列的特性，根据时间序列种类和时间序列特性的对应关 系，确定输入时间序列的种类； 所述输入时间序列的特性包括幅值连续性、长记忆特性、季节性和趋势性； 步骤2、对输入时间序列进行特性分析，获取时间序列种类与候选预测模型的映射 关系； 步骤3、根据确定的种类与候选预测模型的映射关系，将对应种类的m个候选预测 模型作为定性选择预测模型； 步骤4、采用与定性选择预测模型相同的建模时间序列，对定性选择预测模型进行 相同步长的预测，根据预测结果获取定性选择预测模型的适用性量化评价指标，所述适用 性量化评价指标包括整体误差指标、局部误差指标、无量纲准则性指标和实验性能指标； 步骤5、根据步骤4中获取的适用性量化评价指标，获取整体误差指标中性能指标 最优的两个预测模型，获取局部误差指标中性能指标最优的两个预测模型，获取无量纲准 则性指标中性能指标最优的两个预测模型，获取实验性能指标中性能指标最优的两个预测 丰旲型； 步骤6、对步骤5获取的八个预测模型进行统计，统计每个预测模型被选为最优预 测模型的次数； 步骤7、选择被选为最优预测模型次数最多的两个预测模型，作为最优预测模型的 备选模型； 步骤8、采用DM检验法对步骤7获取的两个备选模型进行预测能力差异检验，判断 两个备选模型的预测能力的优劣及优劣程度，选择性能最优的模型作为最终的最优预测模 型，完成时间序列预测模型的选择。 本专利技术的优点：本专利技术提出了一种结合定性选择和定量选择的时间序列预测模型 选择方法，能够基于时间序列特性实现定性模型选择、快速缩小候选预测模型的范围，能够 基于预测模型适用性量化评价体系实现预测模型适用性的全面、准确的量化评价实现定量 选择，从定性选择给出的候选预测模型中选择最优、最适合当前时间序列及预测需求的预 测模型，为实际的时间序列预测应用提供一定的模型选择建议，尤其为无专业背景知识的 人提供模型选择建议。本专利技术通过结合时间序列特性分析和量化的模型适用性评价，完成 包含定性和定量两个环节的模型选择，实现最优模型的选择。通过定性选择完成候选模型 范围的快速缩小和划定，通过定量选择完成客观、全面的量化评价和最优模型选择。最终可 以为无经验人员在实际的时间序列预测应用中提供针对当前时间序列和预测需求的最优 预测模型的参考建议。【附图说明】 图1是本专利技术所述的原理图； 图2是基于统计信号处理的时间序列预测的分类关系。【具体实施方式】【具体实施方式】 一：下面结合图1说明本实施方式，本实施方式所述基于统计信号 处理的时间序列预测模型选择方法，该选择方法的具体过程为： 步骤1、获取输入时间序列的特性，根据时间序列种类和时间序列特性的对应关 系，确定输入时间序列的种类； 所述输入时间序列的特性包括幅值连续性、长记忆特性、季节性和趋势性； 步骤2、对输入时间序列进行特性分析，获取时间序列种类与候选预测模型的映射 关系； 步骤3、根据确定的种类与候选预测模型的映射关系，将对应种类的m个候选预测 模型作为定性选择预测模型； 步骤4、采用与定性选择预测模型相同的建模时间序列，对定性选择预测模型进行 相同步长的预测，根据预测结果获取定性选择预测模型的适用性量化评价指标，所述适用 性量化评价指标包括整体误差指标、局部误差指标、无量纲准则性指标和实验性能指标； 步骤5、根据步骤4中获取的适用性量化评价指标，获取整体误差指标中性能指标 最优的两个预测模型，获取局部误差指标中性能指标最优的两个预测模型，获取无量纲准 则性指标中性能指标最优的两个预测模型，获取实验性能指标中性能指标最优的两个预测 丰旲型； 步骤6、对步骤5获取的八个预测模型进行统计，统计每个预测模型被选为最优预 测模型的次数； 步骤7、选择被选为最优预测模型次数最多的两个预测模型，作为最优预测模型的 备选模型； 步骤8、采用DM检验法对步骤7获取的两个备选模型进行预测能力差异检验，判断 两个备选模型的预测能力的优劣及优劣程度，选择性能最优的模型作为最终的最优预测模 型，完成时间序列预测模型的选择。 本实施方式中，步骤8所述的DM检验法时指Diebold-Mariano检验，是通过输出 的统计量DM和假设机率p-value来判断两个模型是否存在明显的预测能力差异。假设对 模型1和模型2的预测能力进行比较，若输出DM统计量为负值，表明模型2的预测能力比 模型1的预测能力差，且DM统计量绝对值越大，二者预测能力相差越多。DM检验以两个预 测模型存在明显预测能力差异为默认的假设，通过假设检验得到P-value取值，p-value越 小表明显著度越高，则接受原假设，即两个模型的预测能力差异性越大。一般，P-value小 于0. 05即为显著，p-value小于0. 01即为非常显著，即二者预测能力差异非常明显。 本实施方式中，根据时间序列的幅值的连续性将其分为连续时间序列和离散时间 序列；根据长记忆性的存在与否将时间序列分为长记忆性和短记忆性序列；根据时间序列 季节性和趋势性的存在与否将时间序列分为相应的种类；按照稳定性分类，可以分为平稳 时间序列和非平稳时间序列；按照时间序列中是否包含不确定性因素可以将时间序列分为 确定性时间序列和随机性时间序列，随机性时间序列又可以分为平稳随机序列、非平稳随 机序列和白噪声序列。现有的时间序列种类划分，一般依照一个或两个特性对时间序列进 行简单的种类划分。而对于预测模型而言，往往对时间序列的要求要更为细化，简单的单指 标对时间序列进行的二分类得到的种类与时间序列预测模型的对应性不好，使得某一类时 间序列对应大量的预测模型。因此，有必要对现有的分类方法进行汇总，综合实际的预测需 求以及模型的一般需求，采用多指标实现对时间序列的分类。时间序列的变动特征可以划 分为四类：长期趋势、季节变动、循环变动和不规则变动。此外，时间序列的特性往往用随机 性、平稳性和季节性进行刻画。因此，时间序列特性指标需要考虑到趋势性、季节性、随机性 等特性。本实施方式采用的特性有：幅值连续性、长记忆性、趋势性、季节性。【具体实施方式】 二：本实施方式对本文档来自技高网...

【技术保护点】
基于统计信号处理的时间序列预测模型选择方法，其特征在于，该选择方法的具体过程为：步骤1、获取输入时间序列的特性，根据时间序列种类和时间序列特性的对应关系，确定输入时间序列的种类；所述输入时间序列的特性包括幅值连续性、长记忆特性、季节性和趋势性；步骤2、对输入时间序列进行特性分析，获取时间序列种类与候选预测模型的映射关系；步骤3、根据确定的种类与候选预测模型的映射关系，将对应种类的m个候选预测模型作为定性选择预测模型；步骤4、采用与定性选择预测模型相同的建模时间序列，对定性选择预测模型进行相同步长的预测，根据预测结果获取定性选择预测模型的适用性量化评价指标，所述适用性量化评价指标包括整体误差指标、局部误差指标、无量纲准则性指标和实验性能指标；步骤5、根据步骤4中获取的适用性量化评价指标，获取整体误差指标中性能指标最优的两个预测模型，获取局部误差指标中性能指标最优的两个预测模型，获取无量纲准则性指标中性能指标最优的两个预测模型，获取实验性能指标中性能指标最优的两个预测模型；步骤6、对步骤5获取的八个预测模型进行统计，统计每个预测模型被选为最优预测模型的次数；步骤7、选择被选为最优预测模型次数最多的两个预测模型，作为最优预测模型的备选模型；步骤8、采用DM检验法对步骤7获取的两个备选模型进行预测能力差异检验，判断两个备选模型的预测能力的优劣及优劣程度，选择性能最优的模型作为最终的最优预测模型，完成时间序列预测模型的选择。...

【技术特征摘要】

【专利技术属性】
技术研发人员：彭宇，刘大同，郭力萌，彭喜元，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23