[发明专利]基于贝叶斯算法的时间序列数据预测方法

权利要求书

1.一种基于贝叶斯算法的时间序列数据预测方法，该方法包括以下步骤：

S1，处理原始数据，从中提取实验所需要的数据信息；

S2，在由两个维度的时间信息形成的二维方格图上对提取的数据当中的事件信息进行统计，并将统计值作为观测值，生成一个包含两种时间信息以及与这两种不同的时间信息所组成的每一个时间点相对应的观测值数据框，即得到时间序列数据；

S3，与每一个时间点相对应的观测值整体上服从泊松分布，采用rw2d模型模拟时间序列数据的趋势；

S4，利用贝叶斯算法给出rw2d模型参数的先验分布信息，最后使用集成嵌套拉普拉斯近似算法对rw2d模型参数后验分布进行估算。

2.根据权利要求1所述的预测方法，其特征在于，所述步骤S2中的数据框表示为:(value,time1,time2)，其中time1和time2代表着不相同维度的时间标签，将time1代表的时刻作为横轴，time2所代表的时刻作为纵轴，构建二维方格图，不同的方格代表着不同的时间点，其中value代表的是与每一个方格相对应的观测值。

3.根据权利要求2所述的预测方法，其特征在于，time1代表小时，time2代表星期；或者time1代表季度，time2代表年份。

4.根据权利要求2所述的预测方法，其特征在于，所述步骤S3中的与每一个时间点相对应的观测值整体上服从泊松分布；泊松分布定义为：

y_ij～Possion(λ_ij) (1)

λ_ij＝E(y_ij) (2)

其中，y_ij代表的是与time1的第i个时刻与time2的第j个时刻所组成的时间点相对应的观测值，λ_ij所代表的是与time1的第i个时刻与time2的第j个时刻所组成的时间点相对应的观测值的均值。

5.根据权利要求2所述的预测方法，其特征在于，所述步骤S3中的rw2d模型，对于某一时间点所对应的事件信息的预测，是在综合与其相邻的上下左右四个时间点的事件信息的基础上进行的，要实现对(time1,time2)时间点所对应的事件信息的预测需要综合与其相邻的(time1-1,time2)，(time1,time2-1)，(time1+1,time2)以及(time1,time2+1)这四个时间点所对应的事件信息。