[发明专利]一种短时数据自适应预测方法与修正方法

说明书

本发明涉及一种短时数据自适应预测方法与修正方法，包括a，对观察时序窗口内的序列做一阶差分；b，对差分序列进行多项式拟合，计算基于多项式拟合的预测增量P₁；根据一阶差分序列的影响因子，计算基于时序分析的预测增量P₂；c，根据P₁与P₂计算综合预测增量；d，对综合预测增量和真实值队列队尾值求和得预测值P；e，根据真实值与预测值相对误差的情况进行时序窗口的自适应调整。本发明同时考虑了长期的数据趋势和短期的数据趋势和波动，利用多项式拟合和随机序列分析进行长短互补，并通过数据本身自调整真实值序列长度的方式来改变两者的权衡，可达到良好的效果，对不平滑不规则的数据以及带有随机的噪声的数据更加鲁棒。

技术领域

本发明涉及实时反应设备的数据异常检测和修正技术领域，尤其涉及一种短时数据自适应预测方法与修正方法。

背景技术

在实时反应设备中，需要数据的异常检测和修正，以保证设备的正常运行与具有一定的预测功能。时间序列的异常检测和预测是各个行业和产业中经常性的需求，各种方法和思路也层出不穷。根据不同异常检测问题分类，包括以下方法：

时间序列法：移动平均、同比和环比、时序指标；

异常检测(STL+GESD)统计法：单特征且符合高斯分布，多个不相关特征且均符合高斯分布，多个特征相关且符合多元高斯分布；

距离法：基于角度的异常点检测，基于KNN的异常点检测线性方法；

矩阵分解和PCA降维等等。

虽然，现有方法较多，但依然缺少计算复杂度相对低、效果相对鲁棒、统计意义相对明了的方法，尤其是在不太清楚数据的内禀性质或先验信息时。

发明内容

本发明为了解决上述技术问题提供一种短时数据自适应预测方法与修正方法。

本发明通过下述技术方案实现：

一种短时数据自适应预测方法，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，根据影响因子指数分布的性质，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序列S的队尾值求和，得下一时刻预测值P。

进一步的，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K₁＜5，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K₂＞3，则影响因子为：α＝α₁+(K₂-3)×0.05；

否则影响因子为：α＝α₁。

进一步的，所述步骤b中，采用公式(1)计算预测增量P₂：