基于TDT-SSA-BP的时间序列预测方法技术

本发明专利技术公开了一种基于TDT

【技术实现步骤摘要】
基于TDT
‑
SSA
‑
BP的时间序列预测方法


[0001]本专利技术属于时间序列预测的
，尤其涉及一种基于TDT
‑
SSA
‑
BP的时间序列预测方法。

技术介绍

[0002]目前，时间序列预测方法主要有统计预测、机器学习预测以及组合模型预测等。统计预测的常用模型有差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)等，黄玥等应用ARIMA模型对三峡库区出口和入口端的DO等时序数据进行预测。随着人工智能技术的发展，机器学习中的人工神经网络和支持向量机(Support Vector Machines，SVM)广泛应用到时间序列预测中，李鑫鑫等用遗传算法(Genetic Algorithm，GA)优化神经网络的权值和阈值，建立GA
‑
BP神经网络模型对时序数据进行预测。由于时间序列数据具有非线性和不稳定性的特征，较为复杂，难以进行数学建模，所以单一模型预测精度较低。为解决上述问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于TDT
‑
SSA
‑
BP的时间序列预测方法，其特征在于，包括以下步骤：S1、数据预处理，选择中位数填充法对离群值和缺失值进行替换和填充，在输入神经网络前对数据集进行归一化处理；S2、将处理好的时间序列进行CEEMDAN分解；S3、用排列熵计算CEEMDAN分解后各模态分量和余量的排列熵值；S4、将排列熵值较高的模态分量用VMD进行二次分解；S5、利用麻雀搜索算法对神经网络的权值和阈值进行寻优；S6、将经过二层分解得到的分量输入到麻雀搜索算法优化的神经网络模型中，得到各分量的预测值，然后叠加各个分量的预测值，即可得到最后的DO时间序列预测浓度。2.如权利要求1所述的基于TDT
‑
SSA
‑
BP的时间序列预测方法，其特征在于，所述步骤S2包括如下步骤：S21：对时间序列信号用EEMD进行分解，得到第一个模态分量和余量信号；S22：在余量信号中添加白噪声，得到新的信号，并将其继续分解产生第二个模态分量和余量；S23：重复执行步骤S21和S22，当余量信...

【专利技术属性】
技术研发人员：任晓奎，胡启振，陶志勇，高艳东，白立春，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：