[发明专利]一种短时数据自适应预测方法与修正方法

权利要求书

1.一种短时数据自适应预测方法，其特征在于：包括以下步骤：

步骤a，对观察时序窗口内的真实值序列S做一阶差分，得一阶差分序列；

步骤b，对差分序列进行由低到高次自适应的多项式拟合，计算出基于多项式拟合的预测增量P₁；

计算一阶差分序列的影响因子，根据影响因子指数衰减的性质，结合一阶差分序列，计算出基于时序分析的预测增量P₂；

步骤c，分配P₁与P₂的权重，得到综合预测增量；

步骤d，对综合预测增量和真实值队列S的队尾值求和，得下一时刻预测值P。

2.根据权利要求1所述的短时数据自适应预测方法，其特征在于：所述步骤b中，一阶差分序列的影响因子的计算方法为：

在当前的观察时序窗口长度下，将真实值序列S均分为前后两部分；计算两者均值差的绝对值与S的极差的比率K1，计算两者的方差最大值与最小值的比率K2；

若K₁5，则预影响因子为：α₁＝0.5+0.1×|K₁-5|；

若K₁≥5，则预影响因子为：α₁＝0.5-0.1×|5-K₁|；

若K₂3，则影响因子为：α＝α₁+(K₂-3)×0.05；

否则，影响因子为：α＝α₁。

3.根据权利要求2所述的短时数据自适应预测方法，其特征在于：所述步骤b中，采用公式(1)计算预测增量P₂：

式(1)中，α为影响因子，m为一阶差分序列的长度。

4.根据权利要求1、2或3所述的短时数据自适应预测方法，其特征在于：所述步骤b中，预测增量P₁的计算方法为：对一阶差分序列从一次开始进行拟合，然后计算拟合后残差值的平方和与均方根值MSE，再用二次多项式进行拟合，然后计算拟合后残差值的平方和与均方根值MSE，以此类推；

若某次多项式拟合后残差值的平方和与均方根值MSE均低于高一次的，则采用高一次的多项式拟合作为最终的拟合多项式；若某次多项式拟合后残差值的平方和与均方根值MSE高于高一次的，则在此次停止，采用此次的多项式拟合作为最终的拟合多项式。

5.根据权利要求1所述的短时数据自适应预测方法，其特征在于：所述步骤c中，采用公式(2)计算综合预测增量δ：

式(2)中，i为差分预测的期数。

6.根据权利要求5所述的短时数据自适应预测方法，其特征在于：i取1或2。

7.一种短时数据自适应修正方法，其特征在于：它包括以下步骤；

步骤一、对指定长度的观察时序窗口内的实测数据进行分析，采用权利要求1-6中任一项权利要求所述的短时数据自适应预测方法计算队尾下一时刻预测值P；

步骤二、下一时刻，时序窗口内的实测数据按先进先出的队列形式更新，得真实值序列S′；

步骤三、计算真实值序列S^′队尾值与预测值P的相对误差r；

步骤四、比较相对误差r与阈值t；

若r小于阈值t，则采用真实值序列S^′的队尾值，并向检测序列T报送；

否则，采用预测值P代替并向检测序列T报送；

步骤五、检测序列T填充并按队列形式更新；

步骤六、根据检测序列T的情况调整时序窗口的长度。

8.根据权利要求7所述的短时数据自适应预测方法，其特征在于：所述步骤六具体为：

重复步骤一至五，当检测序列中出现次0或者检测序列连续出现次0，则调整时序窗口长度，否则时序窗口长度不变；

其中，l(T)为检测序列的规定长度。

9.根据权利要求8所述的短时数据自适应预测方法，其特征在于：调整顺序为：

L_j→L_j+1，j≤n-1；

L_j→L₁，j＝n；

其中，j是不同时序窗口长度的标识，n为不同长度的时序窗口的个数。