一种基于指数平滑的时序数据预测方法技术

本发明专利技术提出一种基于指数平滑的时序数据预测方法，包括以下步骤：S1，利用历史数据建立基于指数平滑模型的离线模型，所述离线模型包括若干周期的子模型；S2，所有子模型定期训练，得到预测结果和平移变量；S3，获取待预测的时间长度以及当前时间，得到未来日期；S4，根据未来日期选取对应周期的子模型；S5，将对应周期的子模型的平移变量，将预测结果向上或向下平移，得到最终预测结果。基于指数平滑模型，使该模型拥有较好的预测带趋势的周期性时序数据的能力。本发明专利技术使用了多组子模型分段创建的方法，且可以根据预测时间长度的不同来选择合适的子模型，解决了预测时细节处精确度差的问题。题。题。

【技术实现步骤摘要】
一种基于指数平滑的时序数据预测方法


[0001]本专利技术涉及数据预测
，尤其是一种基于指数平滑的时序数据预测方法。

技术介绍

[0002]时序数据预测在工业、金融业、计算机业等领域中出现的频率非常广泛，它是通过对历史的时序数据加以分析，来预测生成未来的时序数据。在工业设备可靠性管理(Equipment Reliability Management)领域中，它往往可以预测出一台设备未来的健康状态；也可以预测出一台设备未来的工作效率；还可以预测出该时序数据何时超过阈值。电厂热交换器是保障电站正常运行的重要热交换部件，热交换器换热能力的退化是使用过程中面临的痛点,往往需要通过反冲洗或解体清洗来恢复换热能力,耗费大量人力物力。其中导致热交换器能力退化的主要因素为海水温度过高和海水流速，利用该技术方案来预测海水温度过高的时间，提前为反冲洗做好准备。
[0003]目前现存的预测方法主要有非周期性时序数据预测和周期性时序数据预测这两大类。现有的非周期性时序数据预测在预测时由于没有考虑数据的周期性特征，预测精确度差；现有的周期性时序数据预测是将构建一个完整的模型进行预测的，不同于本技术的分段方法，存在无法根据预测时间长度来调整模型，细节上精确度差，在案例中无法准确预测夏季海水温度。现有的预测方法没有评判预测结果好坏的方法，很多情况下需要人工辅助判断。由于现有的指数平滑模型将数据的总体趋势考虑在内，但实际上很多情况下预测数据的趋势和近期趋势有关，如案例中预测的海水温度趋势和近年来海水温度趋势有较大关系，和整体趋势关系不大，这样预测结果的趋势性就存在错误。

技术实现思路

[0004]本专利技术解决了现有技术对周期性时序数据预测不准确的问题，提出一种基于指数平滑的时序数据预测方法，基于指数平滑模型，使该模型拥有较好的预测带趋势的周期性时序数据的能力。本专利技术使用了多组子模型分段创建的方法，且可以根据预测时间长度的不同来选择合适的子模型，解决了预测时细节处精确度差的问题。
[0005]为实现上述目的，提出以下技术方案：一种基于指数平滑的时序数据预测方法，包括以下步骤：S1，利用历史数据建立基于指数平滑模型的离线模型，所述离线模型包括若干周期的子模型；S2，所有子模型定期训练，得到预测结果和平移变量；S3，获取待预测的时间长度以及当前时间，得到未来日期；S4，根据未来日期选取对应周期的子模型；S5，将对应周期的子模型的平移变量，将预测结果向上或向下平移，得到最终预测结果。
[0006]本专利技术基于指数平滑模型，使该模型拥有较好的预测带趋势的周期性时序数据的
能力。本专利技术使用了多组子模型分段创建的方法，且可以根据预测时间长度的不同来选择合适的子模型，解决了预测时细节处精确度差的问题。
[0007]作为优选，所述子模型的周期包括1个月、3个月、6个月和12个月。
[0008]作为优选，所述指数平滑模型为三次指数平滑模型。
[0009]作为优选，所述子模型在每个月的月初进行训练。
[0010]作为优选，所述S2具体包括以下步骤：S201，对获得的历史数据进行预处理，并将历史数据拆分为训练数据、验证数据和测试数据；S202，使用趋势分析算法获得训练数据总体趋势，将总体趋势和训练数据作为指数平滑的参数训练模型；S203，对指数平滑的参数训练模型进行训练，得到预测结果和初步平移变量；S204，用验证数据来平移优化预测结果的加权目标函数，并用测试数据来测试优化后的效果，若优化后的评价指标整体比优化前的评价指标好，则保存预测结果的优化平移变量，若优化后的评价指标整体比优化后的评价指标差，则将优化平移变量置0并保存。
[0011]本专利技术使用了加权目标函数来评判模型预测结果的好坏，根据实际情况通过改变目标函数的权值来改变评判标准，在大多数情况下不需要人工辅助判断。
[0012]本专利技术使用了预测结果趋势平移的办法，使用近期趋势情况对预测结果进行平移修正，解决了预测结果趋势错误的问题。
[0013]作为优选，所述S201具体包括以下步骤：S211，剔除异常数据，将数据处理分为以12个月开始的、4个不同周期性长度的四十八个子数据，所述4个不同周期性长度包括1个月、3个月、6个月和12个月；S212，数据以年为单位按一定比例拆分为训练数据、验证数据、测试数据。
[0014]作为优选，所述S4具体包括以下步骤：判断未来日期是否在本月月初加上1个月范围之内，若是则选用周期长度为1个月的子模型；若否，判断未来日期是否在本月月初加上3个月范围之内，若是则选用周期长度为3个月的子模型；若否，判断未来日期是否在本月月初加上6个月范围之内，若是则选用周期长度为6个月的子模型；若否，则选用周期长度为12个月的子模型。
[0015]本专利技术的有益效果是：本专利技术基于指数平滑模型，使该模型拥有较好的预测带趋势的周期性时序数据的能力。
[0016]本专利技术使用了多组子模型分段创建的方法，且可以根据预测时间长度的不同来选择合适的子模型，解决了预测时细节处精确度差的问题。
[0017]本专利技术使用了加权目标函数来评判模型预测结果的好坏，根据实际情况通过改变目标函数的权值来改变评判标准，在大多数情况下不需要人工辅助判断。
[0018]本专利技术使用了预测结果趋势平移的办法，使用近期趋势情况对预测结果进行平移修正，解决了预测结果趋势错误的问题。
附图说明
[0019]图1是实施例的方法流程图；图2是实施例数据预处理过程图；
图3是实施例训练数据的时序图；图4是实施例子模型选择流程图。
具体实施方式
[0020]实施例：本实施例以预测海水温度变化为例，参考图1，提出一种基于指数平滑的时序数据预测方法，本方法具体包括在线应用步骤和离线模型训练步骤。
[0021]在线应用主要操作步骤是用户在线输入需要预测的时间长度L和当前时间T；根据L和T从离线模型训练中获得合适的指数平滑模型和预测结果的优化平移变量；使用获得的指数平滑模型进行预测，使用平移变量对预测结果的总体趋势进行平移优化；最终在设备的预测场景中显示预测结果，进行预测结果的分析比较。在线应用部分结束。
[0022]离线模型训练主要操作步骤是按照模型的不同周期性长度预处理设备历史时序数据，将数据拆分为训练数据、验证数据和测试数据；使用趋势分析算法判断训练数据总体趋势是否平稳，将趋势和训练数据作为指数平滑的参数训练模型；用验证数据来平移优化预测结果的加权目标函数，并用测试数据来测试优化后的效果，若优化后的评价指标整体比优化前的评价指标好，则保存预测结果的优化平移变量，若优化后的评价指标整体比优化后的评价指标差，则将优化平移变量置0并保存。离线模型训练部分结束。
[0023]本实施例的具体步骤包括：S1，利用历史数据建立基于三次指数平滑模型的离线模型，离线模型包括若干周期的子模型；子模型的周期包括1个月、3个月、6个月和12个月。
[0024]三次指数平滑适用于预测有趋势性且有周期性的数据,本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于指数平滑的时序数据预测方法，包括以下步骤：S1，利用历史数据建立基于指数平滑模型的离线模型，所述离线模型包括若干周期的子模型；S2，所有子模型定期训练，得到预测结果和平移变量；S3，获取待预测的时间长度以及当前时间，得到未来日期；S4，根据未来日期选取对应周期的子模型；S5，将对应周期的子模型的平移变量，将预测结果向上或向下平移，得到最终预测结果。2.根据权利要求1所述的一种基于指数平滑的时序数据预测方法，其特征是，所述子模型的周期包括1个月、3个月、6个月和12个月。3.根据权利要求1或2所述的一种基于指数平滑的时序数据预测方法，其特征是，所述指数平滑模型为三次指数平滑模型。4.根据权利要求2所述的一种基于指数平滑的时序数据预测方法，其特征是，所述子模型在每个月的月初进行训练。5.根据权利要求2所述的一种基于指数平滑的时序数据预测方法，其特征是，所述S2具体包括以下步骤：S201，对获得的历史数据进行预处理，并将历史数据拆分为训练数据、验证数据和测试数据；S202，使用趋势分析算法获得训练数据总体趋势，将总体趋势和训练数据作为指数平滑的参数训练模型；S203，对指数平滑的参数训...

【专利技术属性】
技术研发人员：俞文翰，赵彤，孙丰诚，潘凡，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：