[发明专利]一种针对时间序列数据的周期挖掘方法

权利要求书

1.一种针对时间序列数据的周期挖掘方法，其特征在于，包括如下步骤：

S1、接收时间序列数据；

S2、处理数据使之平稳；

S3、ACF局部极大值窗口滑动覆盖；

S4、一阶段bartlett筛选；

S5、二阶段STL分解筛选；

S6、判断窗口是否全覆盖；

S7、输出结论。

2.根据权利要求1所述的一种针对时间序列数据的周期挖掘方法，其特征在于，所述S2中处理数据使之平稳具体为：依据原始数据做趋势特征提取，包括但不限于一元线性回归、移动平均可以提取趋势特征的方法。

3.根据权利要求2所述的一种针对时间序列数据的周期挖掘方法，其特征在于，所述S3中ACF局部极大值窗口滑动覆盖具体为：选择合适的极大值判断窗口，去寻找各阶ACF值中的局部极大值。

4.根据权利要求3所述的一种针对时间序列数据的周期挖掘方法，其特征在于，窗口选取越大越能抓取到全局的周期，窗口选取越小越容易抓取到局部的周期。

5.根据权利要求4所述的一种针对时间序列数据的周期挖掘方法，其特征在于，算法根据数据的长度从大到小选取窗口，将周期捕获能力覆盖至局部和全局。

6.根据权利要求5所述的一种针对时间序列数据的周期挖掘方法，其特征在于，窗口选取规律为：

其中，在当前的实现中，α＝10，n为时序数据的长度，i＝0,1,2…。

7.根据权利要求6所述的一种针对时间序列数据的周期挖掘方法，其特征在于，所述S4中一阶段bartlett筛选具体为：不全盘接纳所有ACF局部极大值，当候选集中的ACF局部极大值小于两个因子的乘积时，将该值从候选集中剔除。

8.根据权利要求7所述的一种针对时间序列数据的周期挖掘方法，其特征在于，两个因子分别为：

BandUpper＝Average(acf)+1.96*Std(acf)

其中，acf为自相关系数集，m为自相关阶数，n为时序数据的长度。

9.根据权利要求8所述的一种针对时间序列数据的周期挖掘方法，其特征在于，所述S5中二阶段STL分解筛选具体为：数据按一阶段bartlett筛选后，从剩下的ACF局部极大值中选择最大值，此值所对应的阶数当作预选周期，用预选周期对原始数据进行时间序列分解，包括但不限于移动平均法、X11分解法、STL分解法分解时间序列数据的方法，提取趋势项、季节项和残差项。

10.根据权利要求9所述的一种针对时间序列数据的周期挖掘方法，其特征在于，周期是否足够显著以Score是否大于1来决定：

Score＝Var(seasonal)/Var(resid)

当Score大于1，说明季节项带来的变化要大于残差项，故此时能明显感受到周期性对整体数据的影响力，将通过筛选的周期输出到结果。