[发明专利]基于相空间重构和集合经验模态分解的预测方法及装置

权利要求书

1.一种基于相空间重构和集合经验模态分解的预测方法，其特征在于，步骤包括：

通过采样器获取样本数据后，对所述样本数据进行集合经验模态分解；

对经过集合经验模态分解得到的本征模态函数和残差分量分别进行相空间重构；

将相空间重构后的数据输入至神经网络计算模块进行计算，得到若干个子序列的预测结果；

将所有子序列的预测结果传输至数据中心处理器进行叠加，得到总预测结果。

2.如权利要求1所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，所述通过采样器获取样本数据后，还包括：

解析所述样本数据得到时间序列；

对所述时间序列进行相空间重构，得到相点序列；

计算所述相点序列的最大Lyapunov指数；

若所述最大Lyapunov指数大于零则判定所述时间序列为混沌系统且可进行短期预测。

3.如权利要求2所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，所述最大Lyapunov指数的计算方法的步骤包括：

对获取到的时间序列进行傅里叶变换，并计算出平均周期；

在所述平均周期内，对应所述相点序列中每一相点搜索出与该相点距离最近的邻点；

计算每一所述邻点经过若干个离散时间步长后的距离d_j(i)；其中，i表示i个离散时间步长，j表示相点数；

计算距离d_j(i)的平均值：

其中，q是非零d_j(i)的数目，△t为时间间隔；

利用最小二乘法生成平均值y(i)的回归直线，计算出的斜率即为最大Lyapunov指数。

4.如权利要求1或2所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，所述相空间重构的优选方式具体为：

利用关联积分算法同时估算出延迟时间和延迟时间窗口；

基于所述延迟时间和所述延迟时间窗口计算出嵌入维数；

以进行相空间重构的相点数为行数，同时以所述嵌入维数为列数，在相空间构造出相型分布矩阵。

5.如权利要求4所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，在所述将相空间重构后的数据输入至神经网络计算模块进行计算的步骤中，神经网络的构建方法具体为：

将神经网络的输入层神经元数对应设置为相空间重构的嵌入维数，神经网络的输出层神经元数对应设置为1；

选择由学习样本构成的训练集对所述神经网络进行训练。

6.如权利要求1所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，对所述样本数据进行集合经验模态分解，优选实施方式为：

从所述样本数据中分解出包括原始数据在内的所有局部极大值和局部极小值；

根据每一所述局部极大值和所述局部极小值分别连接形成上包络线和下包络线，并计算上包络线和下包络线的均值；

计算所述均值与所述原始数据的差值，并且判断所述差值是否满足预设的筛选条件；

若所述差值满足预设的筛选条件，则根据所述差值筛选出差值信号，并且将所述差值信号替代所述原始数据重复进行计算，直至计算出原始数据的残差分量。

7.如权利要求6所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，在进行集合经验模态分解时，还包括步骤：

在原始数据中加入幅值相同的白噪声；

根据设定的迭代次数对加入白噪声的原始数据执行多次经验模态分解，得到若干个IMF分量；

计算所有IMF分量的平均值。

8.如权利要求1所述的基于相空间重构和集合经验模态分解的预测方法，其特征在于，在获得样本数据后，采用线性插值法对所述样本数据进行补充，t+j时刻的缺失值为：

其中，x_t为t时刻的缺失值，x_t+i为t+i时刻的值。