[发明专利]基于时间序列预测模型适用性量化的预测模型选择方法

说明书

技术领域

本发明涉及时间序列预测模型适用性量化评价指标体系。属于时间序列预测模型预测领域。

背景技术

对于时间序列预测而言，预测结果的评价十分重要，是预测模型针对当前时间序列的适用性的一种量化描述方式。然而，现有的时间序列预测研究中，大多采用单一或少量的几个指标对预测模型输出的预测结果进行评价，评价角度较为单一，无法实现对预测模型性能的全面、综合的评价和描述。因此，需要构建一个时间序列预测模型适用性量化评价指标体系，涵盖不同的模型适用性评价角度、每个角度下涵盖若干不同指标，构建一个较为完备的指标体系，为全面的模型适用性评价奠定基础。该研究暂时处于空白状态，因此本发明创造主要为填补本空白而提出。

发明内容

本发明是为了解决现有的时间序列特性预测方法对预测模型输出的预测结果预测角度单一，无法实现对预测模型性能的全面、综合的预测，导致预测效果差的问题。现提供基于时间序列预测模型适用性量化的预测模型选择方法。

基于时间序列预测模型适用性量化的预测模型选择方法，所述方法是基于m个预测模型实现的，它包括以下步骤：

步骤一：根据每个预测模型的预测步长P、真实值x_k和预测模型输出结果获得各预测模型的误差和预测效率，其中，误差包括整体误差、局部误差、无量纲准则误差和多次试验性能误差，预测效率为对预测模型输入时间序列到预测模型输出结果所用的时间，所用的时间越短，则预测模型效率越高；

步骤二：根据预测需求，在m个预测模型中，结合步骤一获得各预测模型的误差和预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个预测模型，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个预测模型，则将多个预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。

本发明的有益效果为：通过整体误差、局部误差、无量纲准则误差、多次试验性能误差和预测模型预测效率对m个预测模型进行误差检验，在m个预测模型中选取误差和预测效率最优的预测模型，当某个预测模型的误差和预测效率均最优，则该预测模型为最优预测模型，当最优误差的预测模型和最优预测效率的预测模型不同时，将不同的最优预测模型进行预测能力差异性检验，从而获得最优的预测模型。其中，对预测模型进行了6个角度的预测，其中共计27个预测指标，为全面的模型适用性评价提供基础，建立了完善的评价体系，实现对预测模型性能的全面、综合的预测，同比现有的预测效果好5倍以上。

附图说明

图1为具体实施方式一所述的基于时间序列预测模型适用性量化的预测模型选择方法的流程图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述的基于时间序列预测模型适用性量化的预测模型选择方法，所述方法是基于m个预测模型实现的，它包括以下步骤：

步骤一：根据每个预测模型的预测步长P、真实值x_k和预测模型输出结果获得各预测模型的误差和预测效率，其中，误差包括整体误差、局部误差、无量纲准则误差和多次试验性能误差，预测效率为对预测模型输入时间序列到预测模型输出结果所用的时间，所用的时间越短，则预测模型效率越高；

步骤二：根据预测需求，在m个预测模型中，结合步骤一获得各预测模型的误差和预测效率，选取满足预测需求的最优预测模型，若满足预测需求的预测模型为一个预测模型，则该预测模型为最优预测模型，若满足预测需求的预测模型为多个预测模型，则将多个预测模型两两进行预测能力差异性检验，获得一个最优的预测模型。

具体实施方式二：本实施方式是对具体实施方式一所述的基于时间序列预测模型适用性量化的预测模型选择方法作进一步说明，本实施方式中，步骤二中，将多个预测模型两两进行预测能力差异性检验的过程：

采用差异性检验Diebold-Mariano对两个预测模型进行预测能力差异性检验，输出两个结果，分别为Diebold-Mariano统计量和假设机率p-value，

设两个预测模型分别为第一预测模型和第二预测模型，当Diebold-Mariano统计量为负，则第一预测模型的预测能力比第二预测模型的预测能力强；当Diebold-Mariano统计量为为正，则第二预测模型的预测能力比第一预测模型的预测能力强；

假设机率p-value小于0.05，则两个预测模型间差异明显，

假设机率p-value小于0.01，则两个预测模型间差异非常明显。