基于重分形扩散熵分析算法制造技术

本发明专利技术涉及一种基于重分形扩散熵分析算法

【技术实现步骤摘要】
基于重分形扩散熵分析算法(MF
‑
DEA)的耦合时间序列可预测性分析方法


[0001]本专利技术涉及一种基于扩散熵的耦合时间序列可预测性分析方法，属于统计学时间序列分析领域
。

技术介绍

[0002]真实世界中的复杂系统，如城市中的交通流
、
自然界中的鸽群等，通常关联很多变量，研究这些变量之间的关系是近几十年较为活跃的领域之一
。
实际研究中，通常关注复杂系统产生的时间序列
。
时间序列由一段时间间隔内相继出现的度量组成，在统计
、
信号识别
、
金融数学与控制工程等领域有广泛应用
。
时间序列中的度量数据称为时序数据，时间序列分析就是分析时序数据的方法，以提取其中包含的特征和统计信息
。
[0003]时间序列预测就是基于已知的时序数据，依据一定标准或者方法，预测未知时刻或者时段的数据信息
。
有关时间序列预测的研究对于人工智能
、
机器学习等领域的发展至关重要
。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于重分形扩散熵分析算法
(MF
‑
DEA)
的耦合时间序列可预测性分析方法，其特征在于，所述方法包括以下步骤：步骤1：耦合时序数据预处理，提取时序数据特征量并用
Gauss
核函数处理特征量；步骤2：采用重分形扩散熵算法进一步分析特征量数据，作数据特征谱
、
收集特征谱中体现的数据波动并计算
Renyi
熵值；步骤3：基于
Renyi
熵进行时序数据可预测性分析，检验时序数据长程依赖性并确定度量时序数据可预测性的合适标度
。2.
根据权利要求1所述的基于重分形扩散熵分析算法
(MF
‑
DEA)
的耦合时间序列可预测性分析方法，其特征在于，步骤1中时序数据预处理，包括以下步骤：步骤
11
：提取时序数据特征量，步骤
12
：
Gauss
核函数处理特征量，其中，步骤
11
：提取时序数据特征量，具体如下：对任意给定的耦合的多元时间序列，利用矩阵
G
表示表示该序列的时序信息，矩阵
G
的每一列对应时间序列的一个变量，每一行对应一个时间点的观测值，设所研究的耦合时间序列共有
N+1
个变量，即矩阵
G
有
N+1
列，取定该矩阵某一列对应的变量为中心变量，其他剩余列对应的变量为关联变量，依次编号为
1,2,3,...,N
，设在
t
i
时刻，中心变量记为
x
c
，第
j(1≤j≤N
，
j∈N
*
)
个关联变量与中心变量的耦合程度用特征量
r
j
表示，将所有的耦合程度特征量汇总，得到一个含有
N
个分量的向量，即
(r1,r2,...,r
N
)
，这里中心变量是多维的向量，因此耦合程度特征量
r
是与中心变量同维度的向量；步骤
12
：
Gauss
核函数处理特征量，具体如下：用
Gauss
核函数处理以上特征量数据，得到一个近似分布
F
h
(r)
，再将这些特征量首尾相连接，一段段分划为
[0,r1][r1,r2][r2,r3]...[r
N
‑1,r
N
][r
N
,∞]
，在每一段
[r
s
‑1,r
s
](1≤s≤N,
且
s∈N
*
)
以及
[r
N
,∞]
上对近似分布
F
h
(r)
取积分，这样就得到了一个
N+1
维分布，记为
(x1,x2,x3,...,x
N+1
),
其中
x
i
≥0(1≤i≤N+1,
且
i∈N
*
)
并且这些
x
i
的和是
1。3.
根据权利要求1所述的基于重分形扩散熵分析算法
(MF
‑
DEA)
的耦合时间序列可预测性分析方法，其特征在于，步骤2中重分形扩散熵分析，包括以下步骤：步骤
21
：作数据特征谱；步骤
22
：收集并表征数据波动；步骤
23
：计算
Renyi
熵值；其中，步骤
21
：作数据特征谱，具体如下：通过时序数据预处理，得到了
N+1
维向量
(x1,x2,x3,...,x
N+1
)
，其中每一个
x
i
都是一个向量，根据这些向量两两之间做邻接矩阵
A1,A2,...,A
N
，针对某一个
A
k
，计算它的特征向量和特征值，并将特征值按照从大到小排序，得到
A
k
的特征谱；步骤
22
：收集并表征数据波动，具体如下，取特征谱中后一个特征值减去前一个特征值，形成一个含有
N
个分量的向量，然后再将向量中的第一个分量移动到最后一个，第二到最后一个分量依次前移一个位置，形成一...

【专利技术属性】
技术研发人员：娄宇青，陈赫，周昉悦，陈都鑫，虞文武，
申请(专利权)人：东南大学，
类型：发明
国别省市：