[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

说明书

本发明公开了一种基于相空间重构和集合经验模态分解的预测方法，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。本发明提供了一种基于相空间重构和集合经验模态分解的预测方法及装置，能够提高计算机的数据处理能力，提高短期预测准确率。

技术领域

本发明涉及计算机应用技术领域，尤其是涉及一种基于相空间重构和集合经验模态分解的预测方法及装置。

背景技术

目前，随着计算机计算能力大幅提升，人们对计算机的应用场景抱有更高的期望，例如，人们希望利用计算机的数据处理能力处理数据库保存的历史数据以预测短期内未来发生的现象。根据现有的技术方案，人们已经可以利用计算机实现气象预测、股市指数涨跌预测、短期电力负荷预测等等，未来人们将在更多技术领域、更多应用场景运用计算机强大的预测能力。

但是，目前计算机的预测能力还不够强大，预测准确率尚待提高。例如，现有的技术方案采用了传统的时间序列预测方法，却不能利用时间序列中包含的丰富信息，因此预测结果的准确率不高。另外，现有的技术方案采用基于简单遗传算法的神经网络，存在训练速度慢、易陷入局部极值等缺点。若要提高计算机的数据处理能力以让人们运用计算机技术在更多领域实现短期预测，人们还需要投入更多时间、资源做研究。

发明内容

针对上述技术问题，本发明提供了一种基于相空间重构和集合经验模态分解的预测方法及装置，能够提高计算机的数据处理能力，提高短期预测准确率。所述技术方案如下：

第一方面，本发明实施例提供了一种基于相空间重构和集合经验模态分解的预测方法，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。

在本发明第一方面的第一种可能的实现方式中，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。

在本发明第一方面的第二种可能的实现方式中，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。