基于时间序列预测模型适用性量化的预测模型选择方法，涉及时间序列预测模型预测领域。本发明专利技术是为了解决现有的时间序列特性预测方法对预测模型输出的预测结果预测角度单一，无法实现对预测模型性能的全面、综合的预测，导致预测效果差的问题。本发明专利技术根据每个预测模型的预测步长P、真实值xk和预测模型输出结果获得各预测模型的误差和预测效率，根据预测需求在m个预测模型中，结合各预测模型的误差和预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个，则将多个预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。它可用于对预测模型进行预测。
【技术实现步骤摘要】
本专利技术涉及时间序列预测模型适用性量化评价指标体系。属于时间序列预测模型 预测领域。
技术介绍
对于时间序列预测而言，预测结果的评价十分重要，是预测模型针对当前时间序 列的适用性的一种量化描述方式。然而，现有的时间序列预测研宄中，大多采用单一或少量 的几个指标对预测模型输出的预测结果进行评价，评价角度较为单一，无法实现对预测模 型性能的全面、综合的评价和描述。因此，需要构建一个时间序列预测模型适用性量化评价 指标体系，涵盖不同的模型适用性评价角度、每个角度下涵盖若干不同指标，构建一个较为 完备的指标体系，为全面的模型适用性评价奠定基础。该研宄暂时处于空白状态，因此本发 明创造主要为填补本空白而提出。
技术实现思路
本专利技术是为了解决现有的时间序列特性预测方法对预测模型输出的预测结果预 测角度单一，无法实现对预测模型性能的全面、综合的预测，导致预测效果差的问题。现提 供。 ，所述方法是基于m个预 测模型实现的，它包括以下步骤： 步骤一：根据每个预测模型的预测步长P、真实值xk和预测模型输出结果％，获得 各预测模型的误差和预测效率，其中，误差包括整体误差、局部误差、无量纲准则误差和多 次试验性能误差，预测效率为对预测模型输入时间序列到预测模型输出结果所用的时间， 所用的时间越短，则预测模型效率越高； 步骤二：根据预测需求，在m个预测模型中，结合步骤一获得各预测模型的误差和 预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个预测模 型，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个预测模型，则将多个 预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。 本专利技术的有益效果为：通过整体误差、局部误差、无量纲准则误差、多次试验性能 误差和预测模型预测效率对m个预测模型进行误差检验，在m个预测模型中选取误差和预 测效率最优的预测模型，当某个预测模型的误差和预测效率均最优，则该预测模型为最优 预测模型，当最优误差的预测模型和最优预测效率的预测模型不同时，将不同的最优预测 模型进行预测能力差异性检验，从而获得最优的预测模型。其中，对预测模型进行了 6个角 度的预测，其中共计27个预测指标，为全面的模型适用性评价提供基础，建立了完善的评 价体系，实现对预测模型性能的全面、综合的预测，同比现有的预测效果好5倍以上。【附图说明】 图1为【具体实施方式】一所述的基于时间序列预测模型适用性量化的预测模型选 择方法的流程图。【具体实施方式】【具体实施方式】 一：结合图1说明本实施方式，本实施方式所述的基于时间序列预 测模型适用性量化的预测模型选择方法，所述方法是基于m个预测模型实现的，它包括以 下步骤： 步骤一：根据每个预测模型的预测步长P、真实值xk和预测模型输出结果毛，获得 各预测模型的误差和预测效率，其中，误差包括整体误差、局部误差、无量纲准则误差和多 次试验性能误差，预测效率为对预测模型输入时间序列到预测模型输出结果所用的时间， 所用的时间越短，则预测模型效率越高； 步骤二：根据预测需求，在m个预测模型中，结合步骤一获得各预测模型的误差和 预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个预测模 型，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个预测模型，则将多个 预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。【具体实施方式】 二：本实施方式是对一所述的基于时间序列预测模型 适用性量化的预测模型选择方法作进一步说明，本实施方式中，步骤二中，将多个预测模型 两两进行预测能力差异性检验的过程： 采用差异性检验Diebold-Mariano对两个预测模型进行预测能力差异性检验，输 出两个结果，分别为Diebold-Mariano统计量和假设机率p-value， 设两个预测模型分别为第一预测模型和第二预测模型，当Diebold-Mariano统计 量为负，则第一预测模型的预测能力比第二预测模型的预测能力强；当Diebold-Mariano 统计量为为正，则第二预测模型的预测能力比第一预测模型的预测能力强； 假设机率p-value小于0. 05,贝丨」两个预测模型间差异明显， 假设机率p-value小于0. 01，则两个预测模型间差异非常明显。 本实施方式中，通过整体误差和局部误差的计算结果，来评价预测模型的准确度， 通过多次试验性能误差的计算结果，来评价预测模型的精确率，通过预测模型输出结果所 用的时间，来评价预测模型的计算效率，通过无量纲准则误差的计算结果，来评价预测模型 的准确度和建模的复杂度，通过预测模型预测能力的检验结果，来评价预测模型间的预测 能力。【具体实施方式】 三：本实施方式是对一所述的基于时间序列预测模型 适用性量化的预测模型选择方法作进一步说明，本实施方式中，整体误差包括含符号绝对 误差、无符号绝对误差、含符号相对误差和无符号相对误差， 含符号绝对误差由平均误差ME组成， 平均误差ME，用于预测预测模型的输出结果相对于真实值偏大或偏小的平均程 度， 步骤一中，根据每个预测模型的预测步长P、真实值xk和预测模型输出结果％，获 得各预测模型的平均误差ME的过程为： 根据公式： 获得平均误差ME， 式中，k表示预测时间序列的序号索引，取值范围从1到P，表示第1个到第P个预 测点的序号， 某个预测模型的平均误差ME的绝对值相对其他预测模型的平均误差ME的绝对值 大，表示该预测模型残余的误差相对其他预测模型残余的误差多，即该预测模型的预测结 果大于或者小于真实值； 某个预测模型的平均误差ME的绝对值相对其他预测模型的平均误差ME的绝对值 小，则该预测模型的预测结果大于真实值和小于真实值的几率相同，即没有系统性预测偏 差； 平均误差ME越接近0,即相应预测模型均衡性越好； 无符号绝对误差包括均方误差MSE、均方根误差RMSE、对数均方误差MSEL和平均 绝对误差MAE， 均方误差MSE、均方根误差RMSE、对数均方误差MSEL和平均绝对误差MAE，均用于 预测预测模型的输出结果与真实值之间的偏差距离的平均数值， MSE用于预测预测模型的输出结果与真实值之间的偏差距离平方的平均数值， RMSE和MSE均用于预测预测模型的输出结果与真实值之间的偏差距离的平均数值，MSEL用 于预测预测模型的输出结果与真实值对数尺度下偏差距离的平均数值； 步骤一中，根据每个预测模型的预测步长P、真实值xk和预测模型输出结果足，获 得各预测模型的均方误差MSE的过程为： 根据公式： 获得均方误差MSE; 某个预测模型的均方误差MSE的计算结果相对其他预测模型的计算结果大，则该 预测模型的预测结果与真实值的偏差大，即整体的偏差程度大， 某个预测模型的均方误差MSE的计算结果相对其他预测模型的计算结果小，则该 预测模型的预测结果与真实值的偏差小，即预测结果接近真实值， 均方误差MSE的计算结果取值为0,表明预测模型能够给出完全准确的预测结果； 步骤一中，根据每个预测模型的预测步长P、真实值xk和预测模型输出结果毛，获 得各预测模型的均方根误差RMSE的过程为： 根据公式： 获得均方根误差RMSE; 某个预测模型的均方根误差RMSE本文档来自技高网...
【技术保护点】
基于时间序列预测模型适用性量化的预测模型选择方法，其特征在于，所述方法是基于m个预测模型实现的，它包括以下步骤：步骤一：根据每个预测模型的预测步长P、真实值xk和预测模型输出结果获得各预测模型的误差和预测效率，其中，误差包括整体误差、局部误差、无量纲准则误差和多次试验性能误差，预测效率为对预测模型输入时间序列到预测模型输出结果所用的时间，所用的时间越短，则预测模型效率越高；步骤二：根据预测需求，在m个预测模型中，结合步骤一获得各预测模型的误差和预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个预测模型，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个预测模型，则将多个预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。