一种多维数据特征相似性测量的目标预测方法技术

本发明专利技术公开了一种多维数据特征相似性测量的目标预测方法，包括以下步骤：S1：提取二维属性数据，S2：建立数据矩阵的属性直方图，S3：开展归一化后的多维属性直方图的栅格计算，S4：将属性特征的相似性测量问题转化为线性规划的运输问题，S5：转化非相邻属性栅格距离为相邻栅格距离路径之和，S6：生成优化后的相似性测量模型，S7：计算两两时间节点相似性距离，S8：累加求和，S9：最终将高维数据约简为多维属性特征的相似性序列，S10：利用支持向量回归机对该序列与目标向量拟合预测。本发明专利技术能够更好的从全局的角度比对直方图特征差异，兼顾了全数据特征与目标变量之间的映射关系，避免了特征选择主观性对于目标预测的偏差。

【技术实现步骤摘要】

本专利技术涉及目标预测方法领域，具体为一种多维数据特征相似性测量的目标预测方法。
技术介绍
目标变量预测广泛应用于工业过程控制、经济数据处理、政府宏观规划等领域。比如GDP的预测，区域物流需求量的预测，交通流预测等。目前根据对于预测目标变量所采取的数据类型，可以将目标变量分为两类，一类是与属性变量强关联的目标变量，该类目标变量理论上认为是由多维属性变量建立线性或非线性关系共同作用的结果。该类目标变量的预测通常选用不同的模型建立属性变量与目标变量的映射关系并拟合。这一类方法深入考虑了目标变量和属性变量间的关联关系及各因子间的相互制约等，但是属性变量获取的滞后性，使得目标变量很难有效的在时间轴上进行拓展。另外一类目标变量则是与其他变量没有关联映射关系的单独数据个体，通过对其在时间轴上的前后延伸，形成该变量的时间序列，进而建立模型探寻历史数据的规律来完成其时间轴上未来几点的预测。一些经典的时间序列预测方法，诸如AMIMA，灰色系统理论，SVM(支持向量机)等等，便是该类方法的代表。但是这种以目标向量构造时间序列的预测方法，自身数据源即是训练样本又是测试样本，其数据节点预测依赖于前期若干维本文档来自技高网...

【技术保护点】
一种多维数据特征相似性测量的目标预测方法，其特征在于，包括以下步骤：S1：结合目标预测实际，提取与待预测目标强关联的二维属性面板数据其中属性特征作为横轴、时间序列作为纵轴，构成数据矩阵；S2：建立数据矩阵的属性直方图，某不同时间节点下归一化后的各数据特征向量直方图分布分别为P＝{(p1,ωp1),...(pm,ωpm)}，Q＝{(q1,ωq1),...(qn,ωqn)}，分别包含m和n个聚类中心，其中ω表示其聚类权重，D＝[dij]表示特征向量间的测度矩阵，dij表示向量聚类pi和qj中心间的测度距离，计算方式见S4；S3：对于归一化后的多维属性分布，设其分布特征H存在m×n个栅格，栅格坐标集...

【技术特征摘要】
1.一种多维数据特征相似性测量的目标预测方法，其特征在于，包括以下步骤：S1：结合目标预测实际，提取与待预测目标强关联的二维属性面板数据其中属性特征作为横轴、时间...

【专利技术属性】
技术研发人员：李国祥，夏国恩，姚伟民，
申请(专利权)人：广西财经学院，
类型：发明
国别省市：广西;45