[发明专利]一种基于小波分析和ARIMA-LSTM的汽车销量预测方法

权利要求书

1.一种基于小波分析和ARIMA-LSTM的汽车销量预测方法，其特征在于，包括如下步骤：

步骤1，对已知的汽车销售量的时序数据进行数据预处理；

步骤2，对所述时序数据进行多次小波分解，每一次分解的过程中将前一次分解得到的低频分量，分解成低频分量和高频分量两个部分；重复上述步骤，经过N层分解后，所述时序数据作为源数据S被分解为：S＝[A_n,D₁,D₂,...,D_N]其中D₁,D₂,...,D_N分别为第一层、第二层到第N层小波分解得到的高频分量，A_N为第N层小波分解得到的低频分量；

步骤3，对各分量D₁,D₂,...,D_N和A_N的序列进行平稳性检验，若平稳则进行下一步操作，不平稳则进行差分处理，直到数据序列变成平稳数据序列；

步骤4，对经过平稳处理后的各分量D₁,D₂,...,D_N和A_N的序列分别进行ARIMA训练并预测；

步骤5，将ARIMA训练过的数据进行小波重构；

步骤6，计算拟合值与真实值的残差；

步骤7，使用残差来训练LSTM网络；

步骤8，利用LSTM网络预测的残差对ARIMA模型的预测结果进行修正，实现最终预测；

步骤9，通过R方值检验和均方根误差RMSE评价预测结果。

2.根据权利要求1所述的一种基于小波分析和ARIMA-LSTM的汽车销量预测方法，其特征在于，在所述步骤1中，对时序数据进行数据预处理的过程包括：缺失值处理、异常值处理、格式规范化；对缺失值采用相邻点均值进行插值计算，对空值视为缺失值进行插值。

3.根据权利要求1所述的一种基于小波分析和ARIMA-LSTM的汽车销量预测方法，其特征在于，在所述步骤2中，使用Python中的wavedec函数进行小波分解，并且选择db2作为小波基参数；所述wavedec函数分解方法，对所述汽车销量时间序列进行N层分解，得到低频分量A_N和高频分量D₁、D₂、……D_N，销量数据S(t)的二进制小波分解可表示为：

S(t)＝A^j+∑D^j

其中A是近似分量，为低频部分；D是细节分量，为高频部分。

4.根据权利要求1所述的一种基于小波分析和ARIMA-LSTM的汽车销量预测方法，其特征在于，在所述步骤3中，对某个序列进行平稳性检验的过程中，采用单位根检验方法检验所述序列的平稳性，当参数p-value小于0.05时,拒绝原序列不平稳假设，时间序列平稳，对于不符合平稳性的小波系数序列，对其进行d阶差分处理，得到所述系数序列对应的平稳时间序列；

所述单位根检验方法，具体为：

将所述序列视为p阶的自回归序列，并且判断该自回归序列的特征方程是否存在单位根，若存在单位根，则视为不平稳，如果不存在单位根，则视为平稳；所述差分处理过程中，采用的差分函数为：

公式中，y_t表示差分序列中的第t个差分,x_t表示原始序列中的第t个值，n代表原始序列的长度。