[发明专利]一种基于时态联动挖掘的时间序列预测方法及其装置

说明书

本发明公开了一种基于时态联动挖掘的时间序列预测方法及其装置。方法用于挖掘类似规则：如果A时间序列大涨(或大跌)，那么k个时间期后B时间序列大涨(或大跌)的概率为x％。方法分为两个阶段。在规则挖掘阶段，针对所有时间序列的每时间期涨跌幅数据，经过简单量化后，统计不同时间序列之间在间隔的一小段时间期内联动大涨或大跌的次数，同时计算出现该联动的支持度和置信度，最后生成联动规则。在规则应用阶段，每时间期根据每只时间序列的涨跌情况进行触发生成，生成的规则分为大涨正面、大涨反面、大跌正面、大跌反面四种类型。方法为时间序列的短期预测提供了一种新方法，改进了传统预测方法的不足，提高了准确性。

技术领域

本发明涉及大数据挖掘技术领域，尤其是涉及一种基于时态联动挖掘的时间预测方法及其装置。

背景技术

时间序列就是一组按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周、月等。如果你是一个股民，某只股票的股价就是一类时序数据，其记录着每个时间点该股票的股价。如果你是一个运维人员，监控数据是一类时序数据，例如对于机器的CPU的监控数据，就是记录着每个时间点机器上CPU的实际消耗值。另外还有用电量时间序列、电商销售量时间序列、脑电时间序列、气温时间序列等等。

时间序列的分析预测问题一直是一个研究热点。采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用时间序列模型时，总是假定某一数据变化模式或某一种组合模式会重复发生。因此需要首先识别出这种模式，然后采用外推的方式进行预测。依据其建模理论不同,可将这些预测模型划分为两个大类:一类是以统计原理为基础的传统型波动率预测模型,目前较为流行且具有代表性的模型包括ARCH模型和SV模型；另一类是以神经网络、灰色理论、支持向量机等为基础的创新型预测模型。这两类模型在进行预测时各有特点,但其预测的准确度仍有待提高。

发明内容

本发明公开了一种基于时态联动挖掘的时间序列预测方法及其装置。方法是一种针对多个时间序列进行短期预测的方法，方法可以应用于各种常规的时间序列的短期预测，比如应用于天气时间序列，则可以对短期的天气走势进行更加有效的预测；应用于电量使用的时间序列，则可以对接下来的电量使用情况做出预测。

方法用于挖掘类似的规则：如果A时间序列大涨(或大跌)，那么k个时间期后B时间序列大涨(或大跌)的概率为x％。

方法分为两个阶段：规则挖掘阶段和规则应用阶段。假设有n个时间序列，在规则挖掘阶段，针对所有时间序列的每时间期涨跌幅数据，经过简单量化后，统计不同时间序列之间在间隔的一小段时间期内联动大涨或大跌的次数，同时计算出现该联动的支持度和置信度，最后生成联动规则。在规则应用阶段，每时间期根据每只时间序列的涨跌情况进行触发生成，生成的规则分为大涨正面、大涨反面、大跌正面、大跌反面四种类型。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。

最后对上述提出的方法通过计算机系统进行了实现，并形成装置，以供对用户输入的时间序列进行预测。其中，装置中对提出方法的集成仅需“规则应用阶段”的部分内容，而“规则挖掘阶段”是训练过程，不需要集成到系统装置中。

假设多时间序列的列表为S,S＝[S₁,S₂,…,S_i,…,S_n],n为总的时间序列的数量，本发明方法分为两个阶段，规则挖掘阶段和规则应用阶段。具体步骤如下：

一、规则挖掘阶段

(1)对基础统计数据及映射数据进行准备；

(2)加载大涨和大跌的时间序列数据，并各自填充到二维统计数组里面；

(3)基于统计数组进行时态间隔时间为1时间期、2时间期和3时间期的联动统计，包括大涨联动统计和大跌联动统计；