[发明专利]基于OS-ELM网络的时间序列数据在线补齐方法

说明书

本发明公开了一种基于OS‑ELM网络的时间序列数据在线补齐方法，包括如下步骤：(1)模型参数初始化阶段，对OS‑ELM网络中的各个参数进行初始化操作；(2)数据实时获取阶段，数据d(k)＝{d₁,d₂,…,d_k,…},k∈Z+实时传输入补齐模型中，作为初始输入数据，为后面的数据预处理做准备；(3)数据预处理阶段；(4)基于OS‑ELM的数据补齐阶段；(5)补齐数据输出阶段；实时输出初始输出数据与补齐数据的合并数据，直至终止补齐流程。本发明结合时间序列数据的特点，面对连续缺失数据、单一缺失数据的情况，以OS‑ELM网络为基础，结合数据在线补齐的方法，对缺失的时间序列数据进行补齐，解决了时间序列数据缺失的随机性、连续性等问题。

技术领域

本发明涉及信息采集技术领域，尤其是一种基于OS-ELM网络的时间序列数据在线补齐方法。

背景技术

随着信息采集技术的提高，信息采集设备的普及越来越广泛。而传感器所记载的数据承载着越来越多的潜在信息，这些未被挖掘出的信息，能够带来更多的经济效益和社会效益。由此，传感器数据的挖掘越来越受到许多学者的关注。而数据挖掘的重点就在于原始数据的真实性，由于传感器安装的位置是由所承担功能而决定，使得传感器的数据会因为受到强干扰、温度和湿度超过允许值、传感器失电、内部程序故障、传输故障等多种因素而发生数据丢失现象。不完整的数据没法真实的反应潜在的数据信息，这降低了数据挖掘结果的可靠性。因此，对于传感器原始数据的在线完整补齐是一个至关重要的问题。

现有的数据补齐方法可具体分为三种方法，统计学补齐方法、时间序列模型预测方法、机器学习预测方法。统计学补齐方法，主要是根据缺失值附近的数据值通过均值插补、众数插补或者其他数学规律对缺失数据进行补齐，这样的补齐方法，对于单一的缺失数据来说，补齐速度快。但是由于没有考虑历史数据蕴含的数据波动规律，因此补齐数据与真实数据相差较大。时间序列模型预测方法，充分考虑历史数据蕴含的数据波动规律，但是许多数据除了蕴含自身历史数据的波动规律，还受到许多其他因素影响，比如电表数据的波动受季节影响较大，而时间序列模型对于季节性数据的预测存在着预测精度不高的现象，虽然补齐的数据虽相比于统计学补齐方法精度有所提高，但是距离还原真实数据还存在一定的距离。机器学习预测方法，主要是对于不同类型数据，运用合适的神经网络模型对缺失数据进行补齐。相较于时间序列模型预测方法，机器学习预测方法在预测精度上要更高一些。而如何面对连续缺失数据的情况，需要用到在线数据补齐的方法。

发明内容

本发明所要解决的技术问题在于，提供一种基于OS-ELM网络的时间序列数据在线补齐方法，对实时传输中的时间序列数据缺失值进行数据补齐，得到了较好的效果。

为解决上述技术问题，本发明提供一种基于OS-ELM网络的时间序列数据在线补齐方法，包括如下步骤：

(1)模型参数初始化阶段，对OS-ELM网络中的各个参数进行初始化操作；

(2)数据实时获取阶段，数据d(k)＝{d₁,d₂,…,d_k,…},k∈Z+实时传输入补齐模型中，作为初始输入数据，为后面的数据预处理做准备；

(3)数据预处理阶段；

(4)基于OS-ELM的数据补齐阶段；

(5)补齐数据输出阶段；实时输出初始输出数据与补齐数据的合并数据，直至终止补齐流程。

优选的，步骤(1)中，将需要初始化的参数输入权重向量a_i、隐含层偏差b_i、隐含层节点数进行初始化设置，其中输入权重a_i和隐含层偏差b_i都是从[-1,1]范围内随机选择的。

优选的，步骤(3)中，数据预处理阶段具体包括如下步骤：