[发明专利]一种基于集合经验模式分解和相空间重构的火灾时间序列预测方法

说明书

技术领域

本发明属于消防技术领域，具体涉及一种火灾时间序列预测方法。

背景技术

火灾时间序列，包括火灾发生次数、死亡人数和受伤人数等火灾时间序列数据。尽管每次火灾的发生具有很大的随机性，但对一段时间，一个地区内火灾时间序列还是有一定的规律性，比如针对我国某一年内火灾发生的次数就与同年我国经济的发展、气候变化等因素有关，具有一定的变化规律，研究火灾发生次数的发生发展规律，通过选取合理的火灾预测理论和方法，对火灾时间序列的过去和现在系统的状态讨论，预测研究火灾时间序列发生的规律，可以实现火灾时间序列的预测。

但是火灾时间序列的预测是典型的非线性预测，目前非线性时间序列预测技术主要有两种方法：动力建模预测和统计建模预测。动力建模预测是对时间序列的背景分析和研究，通过相空间重构来计算原非线性动力系统一些非线性不变量，进而利用该动力学系统的确定性和非线性来进行预测。但是动力模式比较复杂，导致非线性不可预测的效应也越来越强。统计建模预测的优点在于充分利用资料、方法简单，采用各种智能计算工具（例如径向基函数、人工神经网络以及支持向量机等），利用它们的学习和逼近能力，通过反复的迭代和学习来拟合比较复杂的非线性模型，进而对时间序列进行预测。不足之处是没有考虑变量与应变量之间的物理关系，无法进行动力机制的研究。所以将统计与动力相结合是现代预测技术发展的主要方向。本发明采用集合经验模式分解方法将火灾时间序列分解为不同特征尺度的子序列，通过分析这些不同特征尺度的分量数据的动力学特性，采用多变量相空间重构技术对不同特性子序列进行建模和预测，利用各个分量的预测值来预测火灾时间序列数据的实际值。

发明内容

本发明的目的在于针对现有火灾时间序列预测方法存在的不足，提出了预测精度高、计算工作量小的火灾时间序列预测方法。

本发明提出的火灾时间序列预测方法，将经验模式分解和相空间重构技术相结合，采用非线性支持向量机来构建预测模型，预测未来的火灾时间序列。其基本步骤为：首先采用集合经验模式分解方法对火灾时间序列进行分解，得到不同特征尺度的子序列；然后采用多变量相空间重构技术对每个分解得到的子序列量进行相空间重构，构建每个子序列的支持向量回归预测模型，用于估计每个子序列未来的值；再利用各个子序列的预测值来构建支持向量回归预测模型，以此预测模型预测未来的值。

所述预测方法的具体步骤如下：

（1）首先对火灾时间序列                                                进行规则化处理，即将每个数据除以其最大值，得到规则化数据；

（2）利用集合经验模式分解方法对规则化的火灾数据进行分解，得到其分解分量，即，其中表示集合经验模式分解， 表示第个分解分量，表示剩余分量；

（3）对上面的分解分量和剩余分量进行动力学分析，采用G-P算法估计每个分量的嵌入维数，并把估计出的嵌入维数的最大值作为每一分量的相空间嵌入维数。令，对，每个分量重构得到新的向量，其中是分量中第个数据。再将嵌入向量与分量中对应的下一步的值组成训练数据对集，其中，为训练数据长度；

（4）采用非线性支持向量回归构建各个分量的预测模型。利用训练数据对集来估计模型参数得到预测模型；

（5）将每个分量的预测值作为非线性支持向量回归集成预测的输入数据，得到原始火灾时间序列的预测结果。

本发明方法与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

本发明提供的基于集合经验模式分解和相空间重构的火灾时间序列预测方法是首先对数据进行分解，通过先预测各个分量再来预测次数的实际值，由于各个分量是火灾时间序列数据不同尺度的分解，各个分量的变化规律性强，具有较好的可预测性。通过对各个分量进行相空间重构，采用非线性支持向量回归预测模型，提高了各个分量的预测精度。然后再采用非线性支持向量回归预测模型，利用各个分量来估计火灾时间序列数据的实际值，提高了预测精度。

本发明提供的预测方法能提高火灾时间序列数据的预测精度，在消防领域具有广泛应用前景。

附图说明

图1为本发明一个实施例的框图。

具体实施方式

本发明的实施例结合附图祥述如下：