[发明专利]基于经验模态分解和前馈神经网络对时序数据的预测方法

权利要求书

1.一种基于经验模态分解和前馈神经网络对时序数据的预测方法，其特征在于由下述步骤组成：

(1)对数据集缺失值处理

将时序数据集A_b的缺失值进行统计并查找其位置，缺失值超过3个连续出现时，删除包含该缺失值的行，缺失值的位置连续数为1～3时，用缺失值插补法中的均值插补法进行缺失值填充，得到时序数据集A{A₁,A₂,A₃}，其中A₁{x₁,x₂,...,x_m|x_i＝(x_i1,x_i2,…,x_iq)^T，i为有限正整数；q为数据集A的样本个数}为数据集中的类别变量，A₂{y₁,y₂,…,y_n|y_j＝(y_j1,y_j2,…,y_jq)^T，j为有限正整数}为数据集中除去类别变量和待预测时序数据的其它变量，A₃{z₁,z₂,…,z_p|z_l＝(z_l1,z_l2,…,z_lq)^T，l为有限正整数}为数据集中需要预测的时序数据；

(2)独热编码处理

对数据集中的类别变量A₁，进行独热编码方法处理，统计类别变量A₁中每一个类别变量x_i的类别值个数，用连续自然数从1开始对类别变量x_i的类别值进行代替，自然数的个数为类别变量值的个数，再进行独热编码处理，将类别变量A₁转换成二进制编码矩阵B{B₁,B₂,…，B_m|B_i为类别变量x_i独热编码得到的数据}；

(3)主成分分析方法降维

对数据集中的其它变量A₂，除去数据集中的时间戳变量，得到剩余变量A₄{s₁,s₂,…,s_t|s₁,s₂,…,s_t为其它变量A₂去掉时间戳变量的剩余变量,t为有限正整数，t≤n}，绘制出剩余变量A₄的折线图，观察剩余变量A₄的特性，将剩余变量A₄通过主成分分析方法进行降维处理，得到矩阵P{p₁,p₂,…，p_k|p₁,p₂,…，p_k为剩余变量A₄用主成分分析方法降维之后得到的数据，k为有限正整数，k≤t}；

(4)经验模态分解

对数据集中的时序数据A₃进行经验模态分解，得到包含本征模函数和余量的矩阵I{IMF₁,IMF₂,…，IMF_s，r|IMF_e为本征模函数，e＝1,2,…，s；s为经验模态分解得到的本征模函数个数，r为余量}；

(5)数据标准化处理

每一个本征模函数IMF_e和余量r分别与二进制编码矩阵B，矩阵P，拼接成e个新的数据集C_e{IMF_e,B,P}和数据集C_r{r,B,P}，对所有数据集C_e和数据集C_r，用数据标准化处理方法进行处理，得到对应的数据集D_e{d₁,d₂,…，d_g|d₁,d₂,…，d_g为数据集C_e经过数据标准化方法处理后得到的数据，g为有限正整数}和数据集D_r{d₁,d₂,…，d_g|d₁,d₂,…，d_g为数据集C_r经过数据标准化方法处理之后得数据}，按下式将数据集C_e和数据集C_r中的所有数据投影到[-1,1]区间：

其中，x^*为数据集C_e和数据集C_r每一个变量的数据值标准化后得到的在[-1，1]区间的值，x_mean为数据集C_e和数据集C_r中每一个变量的数据值的平均值，x_max为数据集C_e和数据集C_r中的每一个变量值中的最大值，x_min为数据集C_e和数据集C_r中每一个变量值中的最小值；

(6)前馈神经网络训练

将数据集D_e和数据集D_r作为前馈神经网络的输入，并且将数据集D_e和数据集D_r的样本分为训练集和测试集，训练集与测试集的样本比为450：1，将数据集D_e和数据集D_r对应的本征模函数IMF_e和余量r作为输出，本征模函数IMF_e和余量r也分为训练集和测试集，训练集与测试集的样本比为450：1，将训练集依次输入前馈神经网络进行预测模型训练，当训练目标最小误差小于0.001时停止训练，得到预测模型；

(7)对测试集测试

测试集依次输入对应预测模型，得到预测结果，所有预测结果相加得到预测值的总和，确定预测结果总和与真值的标准差。