[发明专利]一种非参数回归方法

说明书

技术领域

本发明涉及预测方法的领域，特别涉及一种非参数回归方法。

背景技术

非参数回归(NPR)是一种数据驱动的预测技术，是近些年来兴起的一种适合不确定性的、非线性的动态系统的非参数估计方法。非参数回归预测的原理如下：假设预测对象的状态x与关心的某个变量y之间存在某种关系y＝m(x)，如果预测对象当前的状态是如果使用非参数回归的方法，则可以运用如下的过程来预测当预测对象的状态为时的值：

1、收集足够多的已知数据(x₁，y₁)～(x_n，y_n)，并存储成数据集。

2、找出数据集的一个子集合X_n，满足对于其中R是由方法使用者定义的“相似”关系，即满足这种关系的x和被认为是类似的。

3、F为和X_n之间的映射关系。

从上面的过程中可以发现，非参数回归的实质是：在模式库中寻找与当前状态相似的历史状态，并把与当前状态相似的历史状态应用于状态预测。将已知数据(x₁，y₁)称作一个模式。模式(x，y)中的x称作状态，或者自变量，它是与预测结果有直接影响的量。y称作状态x对应的结果，或者因变量，是系统的管理者或使用者所关心的量。从模式库中找出与当前状态相似的历史状态过程被称作相似模式搜索，它是非参数回归预测方法的核心，决定了非参数回归预测的计算速度和预测精度。

在计算速度方面，现有的方法大多是使用线性结构来建立模式库，虽然简单，易于搜索算法的实现，但是由于其结构决定了搜索算法的实现只能按照一维顺序执行，所以其搜索操作所需时间耗费太长，尤其是样本数据库的规模比较大时，更是无法满足实时性要求。在预测精度方面，现有的方法大多是开环系统，模式库和系统参数一旦设定就不再改变，不能再运行过程中进行调节，因而影响了实际的预测效果。

发明内容

为了解决上述问题，本发明提供了一种非参数回归方法，该方法提高了非参数回归预测的计算速度和预测精度，所述方法包括以下步骤：

(1)根据预测对象确定预测量；

(2)从所述预测对象中获取预测量的属性P₁～P_n，将所述属性P₁～P_n作为所述预测对象状态的各个分量，n为属性的个数；

(3)收集模式；

(4)根据收集到的所述模式，利用KD树数据结构构建模式库；

(5)采集所述预测对象状态的参数，由所述参数构成所述预测对象当前状态向量，按照预设准则在所述模式库中搜索与当前状态向量相似的k个模式，并获取所述k个模式对应的待预测量的值y₁～y_n；

(6)将获取到的所述待预测量的值y₁～y_n代入预测函数中，得到预测值y_forcast；

(7)经过时间T，采集待预测量的真实值y_real，根据所述预测值y_forcast和所述真实值y_real计算预测误差e，根据所述预测误差e对所述预设准则中的权值、所述模式库的结构进行调整。

步骤(4)中的所述根据收集到的所述模式，利用KD树数据结构构建模式库具体为：

构建第一参数P、第二参数depth和第三参数ds，第一参数P用于构造KD树的点集、第二参数depth用于表示递归深度，第三参数ds用于表示点集中每个点的维数d；

判断第一参数P是否只有一个节点，如果是，建立并储存节点的叶子并返回；如果否，令维数d＝depth％ds，找出第一参数P内各点第d维中值，以中值为分割线将第一参数P划分成两部分，分别记为第一部分P1，第二部分P2，同时生成一个节点V用来存储分割第一参数P的中值；

将第一部分P1、depth+1和第三参数ds作为参数，递归执行，直到返回，并将返回的节点存储为VL；

将第二部分P2、depth+1和第三参数ds作为参数，递归执行，直到返回，并将返回的节点存储为VR；

分别将VL和VR置为节点V的左右孩子。

步骤(5)中的所述预设准则具体为：