一种动态数据驱动的智能预测方法

技术领域

本发明涉及预测模型技术领域，具体为一种动态数据驱动的智能预测方法。

背景技术

系统云灰色预测模型(简称SCGM(1，h)预测模型)与拟申请的发明最相接近的现有预测模型。对于同类技术存在过拟合，预测精度波动大；对于动态系统，自适应能力弱，后期预测精度降低。

发明内容

本发明的目的在于提供一种动态数据驱动的智能预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种动态数据驱动的智能预测方法，包括以下步骤：

S1、将动态数据进行预处理；

S2、基于动态数据构建动态预测模型；

S3、结合实测数据与预测数据对模型参数进行学习；

S4、将学习后的模型参数运用于动态预测模型，获得预测值。

所述建动态预测模型采用的软件为Python语言、R语言或MATLAB。

所述对模型参数进行学习中通过实测值与预测值的误差进过多次迭代修正其模型参数。

所述对模型参数进行学习可通过逆变换获得该段程序的下一个预测值。

与现有技术相比，本发明的有益效果是：本发明通过滚动的分段的方式，运用少量数据进行有效预测，适合动态系统有效数据量有限的特性。其次，通过预处理后短时波形分析，初步构建预测模型，并获得其重要的两个参数。再次，运用模型参数学习算法，动态修正模型参数，生成智能预测模型，最后，通过预测数据后处理，获得该分段序列下一个数据的预测值。该方法有效针对动态系统数据量不足的情况，进行有效预测，确保预测精度在合理范围内波动；并不完全依赖训练动态数据构建预测模型，在一定程度上克服了预测中出现的过拟合现象。

附图说明

图1为本发明的流程图；

图2为本发明实施例的全国粮食产量实际与预测对比表。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2，本发明提供一种技术方案：一种动态数据驱动的智能预测方法，S1、设采集的粮食产量序列为X＝{x

例如全国粮食产量2008-2011年粮食产量分别为52871万吨,53082万吨，54648万吨，57121万吨，其粮食产量序列表示为X＝{52871 53082 54648 57121}，其中x

S2、动态数据预处理

2.1滚动输入动态数据

例如选取4年的粮食产量为一组，滚动分解成若干子序列。即，

X

X

X

X

仍以S1中为例：X

2.2一次重构粮食产量子序列

设每年粮食产量x

此案例取

仍以2.1中的粮食产量子序列为例，形成一次重构后的粮食产量子序列为，

R

R

R

R

2.3二次重构粮食产量子序列

在一次重构的基础上通过时域积分，对粮食产量子序列进行二次重构。重构后的粮食产量序列即为如下表示

Z

经过两次重构后获得的粮食产量z

S3、模型参数学习算法

粮食产量经过预处理后，呈现出明显趋势。可选用一次函数进行拟合，

其中，m＝0,1,2。

并通过实测值与预测值的误差进过多次迭代修正其模型参数

S4、预测数据后处理

通过S3，可通过逆变换获得该段程序的下一个预测值。比如取序列X

综上所述：本发明通过滚动的分段的方式，运用少量数据进行有效预测，适合动态系统有效数据量有限的特性。其次，通过预处理后短时波形分析，初步构建预测模型，并获得其重要的两个参数。再次，运用模型参数学习算法，动态修正模型参数，生成智能预测模型，最后，通过预测数据后处理，获得该分段序列下一个数据的预测值。该方法有效针对动态系统数据量不足的情况，进行有效预测，确保预测精度在合理范围内波动；并不完全依赖训练动态数据构建预测模型，在一定程度上克服了预测中出现的过拟合现象。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。