一种基于小波变换的精细粒度自学习集成预测方法技术

本发明专利技术公开了一种基于小波变换的精细粒度自学习集成预测方法，该方法采用基于小波变换的时间序列分解，能针对不同粒度下的具有不同变异系数的时间序列进行预测，能更精准地揭示时间序列的变化规律；结合上述时间序列分解，对多个相关因素进行特征提取，充分捕捉主要影响因素，通过统计规律对未来趋势进行预测，具有快捷、简单的特点；同时采用基于模型聚合算法框架，并将其运用于回归过程，使模型取得了比单个基学习器更好的鲁棒性；综合以上基于小波变换、SVR、Ensemble的复合模型进行预测，获得比现有单一模型更精确的预测性能。本发明专利技术作为一种基于小波变换的精细粒度自学习集成预测方法可广泛应用于大数据挖掘及机器学习技术领域。

A fine granularity self learning ensemble prediction method based on Wavelet Transform

The invention discloses a fine granularity based on wavelet transform self-learning integrated prediction method, this method uses the time series decomposition based on wavelet transform, can have different coefficient of variation of time series for different size forecast changes can more accurately reveal the time sequence; the time series decomposition of a number of factors related to feature extraction, fully capture the main factors, the future trend is predicted through statistical law, has the characteristics of fast and simple; while using the model aggregation algorithm based on the framework, and used in the regression process, cause the model to obtain the robustness of learning is better than a single base; the above composite model wavelet transform, SVR and Ensemble based on the forecast, prediction performance is more accurate than the existing single model. The present invention is a kind of fine granularity self-learning integrated prediction method based on wavelet transform, which can be widely used in the field of data mining and machine learning.

【技术实现步骤摘要】

本专利技术涉及大数据挖掘及机器学习
，更具体地涉及一种基于小波变换的精细粒度自学习集成预测方法。
技术介绍
常见的用于预测的数据挖掘算法如线性回归、回归树、神经网络等，已被大多数研究采用并应用于不同的领域。然而，这些方法只是简单地把所有特征输入到单一模型来进行预测，且没有考虑时间特征，对具有较高变异系数的时间序列的变化趋势及峰值的捕捉能力较差，泛化能力较弱，导致预测准确度偏低。因此，有必要提供一种复合预测模型对数据进行更精准的挖掘和预测，能基于输出特征、输入特征、时间特征、滞后特征、粒度特征、空间特征及其它相关因素，针对不同粒度下(尤其是精细粒度)的时间序列进行自学习及预测，并基于集成算法框架得到较高的模型泛化能力，充分捕捉预测变量的变化趋势及峰值，提高预测准确度。
技术实现思路
为了解决上述技术问题，本专利技术的目的是：本专利技术所采用的技术方案是：一种基于小波变换的精细粒度自学习集成预测方法，包括有以下步骤：S1、采集预测变量及影响因素的历史数据，生成预测模型的数据集；S2、基于小波变换，将预测变量的时间序列分解为不同粒度下的时间序列的有限求和；S3、对不同粒度下的时间序列进本文档来自技高网...

【技术保护点】
一种基于小波变换的精细粒度自学习集成预测方法，其特征在于，包括有以下步骤：S1、采集预测变量及影响因素的历史数据，生成预测模型的数据集；S2、基于小波变换，将预测变量的时间序列分解为不同粒度下的时间序列的有限求和；S3、对不同粒度下的时间序列进行特征提取；S4、基于支持向量回归机，对不同粒度下的时间序列进行自学习及预测，并生成预测结果；S5、基于模型聚合算法构造一系列低相关性的基学习器，并赋予权重值将基学习器组合成集成学习器；S6、对预测模型进行性能评估，并对步骤S2和步骤S3的参数、特征选取进行修正；S7、通过步骤S6修正后的集成学习器作为最终的预测模块进行预测。

【技术特征摘要】
1.一种基于小波变换的精细粒度自学习集成预测方法，其特征在于，包括有以下步骤：S1、采集预测变量及影响因素的历史数据，生成预测模型的数据集；S2、基于小波变换，将预测变量的时间序列分解为不同粒度下的时间序列的有限求和；S3、对不同粒度下的时间序列进行特征提取；S4、基于支持向量回归机，对不同粒度下的时间序列进行自学习及预测，并生成预测结果；S5、基于模型聚合算法构造一系列低相关性的基学习器，并赋予权重值将基学习器组合成集成学习器；S6、对预测模型进行性能评估，并对步骤S2和步骤S3的参数、特征选取进行修正；S7、通过步骤S6修正后的集成学习器作为最终的预测模块进行预测。2.根据权利要求1所述的一种基于小波变换的精细粒度自学习集成预测方法，其特征在于，所述步骤S2具体包括有以下子步骤：S21、根据小波基的正交性、对称性、连续性、紧支撑性、消失矩阶数，选择最优阶数的Daubechies小波作为基函数；S22、将预测变量的时间序列分解为不同粒度下的时间序列的有限求和。3.根据权利要求2所述的一种基于小波变换的精细粒度自学习集成预测方法，其特征在于，所述步骤S22中，预测变量的时间序列f根据以下公式进行分解： A j = Σ k ∈ Z < f , φ j , k > φ j , k ]]> D j = Σ k ∈ Z < f , ψ j , ...

【专利技术属性】
技术研发人员：朱德明，李红霞，陈泉，黄建彰，王家恒，郭炳蔚，梁健俊，邓光侨，
申请(专利权)人：广东旭诚科技有限公司，
类型：发明
国别省市：广东;44