基于统计信号处理的时间序列特性评价的预测模型选择方法，属于时间序列预测领域。为了解决目前的倒闸操作票托板在特殊情况下使用不便的问题。所述方法包括：对输入时间序列进行幅值连续性、长记忆性、趋势性和季节性判断，确定输入时间序列的特性评价种类；步骤二：根据步骤一确定的种类与预测模型之间的映射关系，获取相应种类的预测模型；步骤三：在相应种类的预测模型中选择最优的一个，用于时间序列预测。本发明专利技术用于时间序列预测模型预测时间序列。
【技术实现步骤摘要】
本专利技术属于时间序列预测领域。
技术介绍
时间序列预测模型是用于对未来的短期预测，在实际应用中在针对某类时间序列 进行预测时，需要选择预测模型。在定性选择预测模型时，基于时间序列的特性及预测模型 的特性实现时间序列与预测模型之间的匹配，其目的主要在于通过时间序列的特性判断缩 小候选预测模型的范围，通过数据特性实现预测模型的初步筛选。现有在定性选择时，存在 现有时间序列种类划分所依据的指标较为单一、种类划分不够详细、特性覆盖不够全面、与 预测模型对应性不清晰等问题，即：存在采用现有方法选择的预测模型的预测效果不好的 问题。
技术实现思路
本专利技术的目的是为了解决存在采用现有方法选择的预测模型的预测效果不好的 问题问题，本专利技术提供一种。 本专利技术的， 所述方法包括如下步骤：步骤一：输入时间序列，进行特性判断： 对输入时间序列进行幅值连续性、长记忆性、趋势性和季节性判断，确定输入时 间序列的特性评价种类，所述特性评价种类包括幅值连续_随机游走性时间序列、幅值连 续-短记忆性时间序列、幅值连续-趋势性-季节性时间序列、幅值连续-趋势性_指数趋 势时间序列、幅值连续-趋势性_非指数趋势时间序列、幅值连续-趋势性_复杂趋势时间 序列、幅值连续-长记忆性-季节性时间序列、幅值连续-长记忆性-无季节性时间序列和 幅值离散时间序列；步骤二：根据步骤一确定的种类与预测模型之间的映射关系，获取相应种类的预 测模型；步骤三：在相应种类的预测模型中选择最优的一个，用于时间序列预测。 所述步骤一的方法包括： 步骤一一：对输入时间序列进行幅值连续性判断： 判断输入时间序列为连续时间序列或离散时间序列，当为连续时间序列时，转入 步骤一二；当为离散时间序列，确定输入时间序列的特性评价种类为幅值离散时间序列；步骤一二：对输入时间序列进行长记忆性判断： 步骤一二一：通过R/S法计算连续时间序列的Hurst指数，判断Hurst指数是否大 于0. 5且小于1时，若是，转入步骤一二四，若否，转入步骤一二三；步骤一二三：当Hurst指数为等于0. 5时，连续时间序列为随机游走序列，结束； 当Hurst指数大于0且小于0. 5时，连续时间序列为短记忆性序列，结束；步骤一二四：对连续时间序列进行KPSS检验，判断所述连续时间序列是否为短 记忆性序列，若是，确定输入时间序列的特性评价种类为幅值连续-短记忆性时间序列，若 否，连续时间序列为长记忆性序列或趋势增强序列，转入步骤一三； 步骤一三：对输入时间序列进行趋势性和季节性判断： 判断步骤一二四的长记忆性序列或趋势增强序列是否具有趋势性和季节性，若是 无趋势性且有季节性，则判断输入时间序列的特性评价种类为幅值连续-长记忆性-季 节性时间序列，若是有趋势性且无季节性，则判断输入时间序列的特性评价种类为幅值 连续-趋势性-指数趋势时间序列或幅值连续-趋势性-非指数趋势时间序列或幅值连 续-趋势性-复杂趋势时间序列，若是无趋势性且无季节性，则判断输入时间序列的特性评 价种类为幅值连续-长记忆性-无季节性时间序列，若有趋势性且有季节性，则判断输入时 间序列的特性评价种类为幅值连续-趋势性-季节性时间序列。 所述步骤一三，若是有趋势性且无季节性，则判断输入时间序列的特性评价种类 为幅值连续-趋势性-指数趋势时间序列或幅值连续-趋势性-非指数趋势时间序列或幅 值连续_趋势性_复杂趋势时间序列的方法为： 步骤A:将输入时间序列的曲线与设定的简单趋势拟合曲线对比，判断是否有简 单趋势，若是，则转入步骤B;若否，则确定输入时间序列的特性评价种类为幅值连续-趋势 性-复杂趋势时间序列； 步骤B:判断输入时间序列是否符合指数趋势，若是，则确定输入时间序列的特性 评价种类为幅值连续_趋势性-指数趋势时间序列，若否，则确定输入时间序列的特性评价 种类为幅值连续-趋势性-非指数趋势时间序列。 本专利技术的有益效果在于， 本专利技术分析输入时间序列的特性，确定输入时间序列的类别，实现预测模型与数 据特性之间的对应，依据先验知识建立预测模型与时间序列种类之间多对多的映射关系， 以使得每类时间序列有若干可行的候选模型，实现时间序列种类确定后相应候选预测模型 的输出。本专利技术基于现有时间序列种类划分的研宄，对于现有的单一指标的种类划分进行 拓展，基于多指标、分层次进行时间序列种类的细化分类，选用的特性指标为现有所涉及到 的、计算方便、结果与特性对应明确、覆盖大部分特性且无冗余以及基于对应的统计特性能 够对时间序列进行合理且基本互斥的种类划分等准则。结合不同指标对于预测模型的区分 能力，对指标进行层次的划分，即确定第一步判断的指标和后续串行判断的指标的顺序。基 于不同指标的组合进行初步的时间序列种类的划分，并依照实际的预测问题、预测模型对 时间序列的一般要求对于部分特性组合的时间序列种类进行取舍，建立一个能够覆盖较多 常见时间序列特性、对相似的时间序列能够进行较为准确的种类划分、彼此互斥、与预测模 型的对应性较为明确的时间序列种类划分体系。本专利技术选择的预测模型预测效果明显好于 现有方法选择的。【附图说明】 图1为本专利技术的输入时间序列的特性评价种类的原理示意图。【具体实施方式】【具体实施方式】 一：本实施方式所述的基于统计信号处理的时间序列特性评价的预 测模型选择方法，所述方法包括如下步骤： 步骤一：输入时间序列，进行特性判断： 对输入时间序列进行幅值连续性、长记忆性、趋势性和季节性判断，确定输入时 间序列的特性评价种类，所述特性评价种类包括幅值连续_随机游走性时间序列、幅值连 续-短记忆性时间序列、幅值连续-趋势性-季节性时间序列、幅值连续-趋势性_指数趋 势时间序列、幅值连续-趋势性_非指数趋势时间序列、幅值连续-趋势性_复杂趋势时间 序列、幅值连续-长记忆性-季节性时间序列、幅值连续-长记忆性-无季节性时间序列和 幅值离散时间序列； 步骤二：根据步骤一确定的种类与预测模型之间的映射关系，获取相应种类的预 当前第1页1 2 3 4 本文档来自技高网...
【技术保护点】
一种基于统计信号处理的时间序列特性评价的预测模型选择方法，其特征在于，所述方法包括如下步骤：步骤一：输入时间序列，进行特性判断：对输入时间序列进行幅值连续性、长记忆性、趋势性和季节性判断，确定输入时间序列的特性评价种类，所述特性评价种类包括幅值连续‑随机游走性时间序列、幅值连续‑短记忆性时间序列、幅值连续‑趋势性‑季节性时间序列、幅值连续‑趋势性‑指数趋势时间序列、幅值连续‑趋势性‑非指数趋势时间序列、幅值连续‑趋势性‑复杂趋势时间序列、幅值连续‑长记忆性‑季节性时间序列、幅值连续‑长记忆性‑无季节性时间序列和幅值离散时间序列；步骤二：根据步骤一确定的种类与预测模型之间的映射关系，获取相应种类的预测模型；步骤三：在相应种类的预测模型中选择最优的一个，用于时间序列预测。
【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。