[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

说明书

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，由对数据集缺失值处理、独热编码处理、主成分分析方法降维、经验模态分解、数据标准化处理、前馈神经网络训练、对测试集测试步骤组成。本发明采用了主成分分析方法降维和经验模态分解方法，通过降维减少预测变量的个数，得到的数据包含了原始数据的大部分信息，保证降维后得到的数据中每个变量不包含重复的原始数据信息，在前馈神经网络训练时，用本征模函数代替原始时序数据进行训练，输入降维后的数据集，减少了变量个数，获得了准确的结果，训练时间大幅度减少，可用于对时序数据预测。

技术领域

本发明属于时序数据预测的领域，具体涉及EMD分解、PCA降维和BP神经网络训练等方法。

背景技术

目前已经有很多方法可用于对时序数据进行预测，比如向量自回归模型、自回归滑动平均模型、自回归积分滑动平均模型，以及基于回归的方法线性支持向量回归。这些模型经常假设时间序列有确定的分布或函数形式，但是不能获取复杂潜在的非线性关系。其他模型，如高斯过程需要较高的计算成本来处理大尺度的数据。

目前从实际生活中记录的时序数据大都是没有任何函数特性的数据，直接将这些数据输入神经网络进行训练，得不到最优的训练模型，消耗了大量的时间，用现有的时序数据预测方法进行预测，只能预测到后面的一两个点，得不到满意的预测效果。

发明内容

本发明所要解决的预测问题在于克服上述现有预测方法的不足，提供一种预测结果准确、处理数据速度快、精度高的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。

解决上述技术问题所采用的技术方案由下述步骤组成：

(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