[发明专利]基于统计信号处理的时间序列特性评价的预测模型选择方法

权利要求书

1.一种基于统计信号处理的时间序列特性评价的预测模型选择方法，其特征在于，所述方法包括如下步骤：

步骤一：输入时间序列，进行特性判断：

对输入时间序列进行幅值连续性、长记忆性、趋势性和季节性判断，确定输入时间序列的特性评价种类，所述特性评价种类包括幅值连续-随机游走性时间序列、幅值连续-短记忆性时间序列、幅值连续-趋势性-季节性时间序列、幅值连续-趋势性-指数趋势时间序列、幅值连续-趋势性-非指数趋势时间序列、幅值连续-趋势性-复杂趋势时间序列、幅值连续-长记忆性-季节性时间序列、幅值连续-长记忆性-无季节性时间序列和幅值离散时间序列；

步骤二：根据步骤一确定的种类与预测模型之间的映射关系，获取相应种类的预测模型；

步骤三：在相应种类的预测模型中选择最优的一个，用于时间序列预测。

2.根据权利要求1所述的基于统计信号处理的时间序列特性评价的预测模型选择方法，其特征在于，所述步骤一的方法包括：

步骤一一：对输入时间序列进行幅值连续性判断：

判断输入时间序列为连续时间序列或离散时间序列，当为连续时间序列时，转入步骤一二；当为离散时间序列，确定输入时间序列的特性评价种类为幅值离散时间序列；

步骤一二：对输入时间序列进行长记忆性判断：

步骤一二一：通过R/S法计算连续时间序列的Hurst指数，判断Hurst指数是否大于0.5且小于1时，若是，转入步骤一二四，若否，转入步骤一二三；

步骤一二三：当Hurst指数为等于0.5时，连续时间序列为随机游走序列，结束；当Hurst指数大于0且小于0.5时，连续时间序列为短记忆性序列，结束；

步骤一二四：对连续时间序列进行KPSS检验，判断所述连续时间序列是否为短记忆性序列，若是，确定输入时间序列的特性评价种类为幅值连续-短记忆性时间序列，若否，连续时间序列为长记忆性序列或趋势增强序列，转入步骤一三；

步骤一三：对输入时间序列进行趋势性和季节性判断：

判断步骤一二四的长记忆性序列或趋势增强序列是否具有趋势性和季节性，若是无趋势性且有季节性，则判断输入时间序列的特性评价种类为幅值连续-长记忆性-季节性时间序列，若是有趋势性且无季节性，则判断输入时间序列的特性评价种类为幅值连续-趋势性-指数趋势时间序列或幅值连续-趋势性-非指数趋势时间序列或幅值连续-趋势性-复杂趋势时间序列，若是无趋势性且无季节性，则判断输入时间序列的特性评价种类为幅值连续-长记忆性-无季节性时间序列，若有趋势性且有季节性，则判断输入时间序列的特性评价种类为幅值连续-趋势性-季节性时间序列。

3.根据权利要求2所述的基于统计信号处理的时间序列特性评价的预测模型选择方法，其特征在于，所述步骤一三，若是有趋势性且无季节性，则判断输入时间序列的特性评价种类为幅值连续-趋势性-指数趋势时间序列或幅值连续-趋势性-非指数趋势时间序列或幅值连续-趋势性-复杂趋势时间序列的方法为：

步骤A：将输入时间序列的曲线与设定的简单趋势拟合曲线对比，判断是否有简单趋势，若是，则转入步骤B；若否，则确定输入时间序列的特性评价种类为幅值连续-趋势性-复杂趋势时间序列；

步骤B：判断输入时间序列是否符合指数趋势，若是，则确定输入时间序列的特性评价种类为幅值连续-趋势性-指数趋势时间序列，若否，则确定输入时间序列的特性评价种类为幅值连续-趋势性-非指数趋势时间序列。