[发明专利]一种多元时间序列预测方法

说明书

技术领域

本发明涉及多元时间序列预测技术领域，尤其涉及一种基于组合模型和季节时序分析多元时间序列的预测方法，引入外部影响因素对时间序列进行建模，从而达到提高预测精确度、降低预测误差的目的。

背景技术

时间序列分析方法最早起源于1927年数学家Yule提出建立自回归(AR-Autoregressive)模型来预测市场变化的规律。目前，时间序列预测已成为很多领域，如能源、金融、经济、农业等领域的决策基础。

以能源领域为例，在能源领域中，能源负荷数据可以被看成是时间序列。能源负荷预测，包括电力负荷预测、热负荷预测等，可以根据历史能源消耗量、当前消耗量以及外部影响因素等对未来需求量进行预测。能源负荷预测已成为能源系统规划的重要组成部分，为能源系统运行提供可靠的决策依据。影响实际能源负荷预测的因素有很多，如天气条件、建筑物特征、社会学参数和时间等。天气条件可以包括环境温度、直接太阳辐射、风速、相对湿度、云量、降水量等信息；建筑物特征可以包括建筑物类型、建筑材料等；社会学参数包括重大社会事件、节假日等；时间包括日期等。能源负荷和外部影响因素数据的组合可以看成是多元时间序列。

目前，时间序列预测普遍采用机器学习模型对时间序列进行建模，利用时间序列和外部影响因素之间存在的潜在关系对时间序列进行分析预测。由于单一机器学习模型可能只反映了原始数据的某一方面特征，已无法满足当前的能源负荷预测需求，例如，混合高斯模型(GMM-Gaussian Mixture Model)可以引入外部影响因素对负荷的影响，但是难以反映历史负荷的影响；整合自回归滑动平均模型(ARIMA-Autoregressive Integrated Moving Average Model)易于反映历史负荷的影响，但是无法引入外部影响因素，所以需要将多种机器学习模型进行组合，每个模型都能从不同角度提供原始数据的信息，各模型之间相互联系、补充，以达到精确预测能源负荷的目的。

发明内容

为了解决多元时间序列预测精度问题，本发明提供一种多元时间序列预测方法，该方法可提高时间序列预测的精度。

为达到上述目的，本发明提供了一种多元时间序列预测方法，其特征在于，该方法包括：

步骤一、基于局部回归的季节性与趋势分解算法，将多元时间序列季节分解为趋势序列、循环序列和不规则序列；

步骤二、通过线性或非线性回归算法对趋势序列预测得到趋势序列预测值；

步骤三、基于组合模型对分别引入外部因素和历史各期变量的循环序列进行预测得到多个循环序列初始预测值，使用前馈神经网络将初始预测值进行融合得到循环序列预测值；

步骤四、将趋势序列预测值和循环序列预测值进行加和得到多元时间序列预测值。

进一步地，步骤一具体包括：

基于局部回归的季节性与趋势分解算法，将多元时间序列X＝{X₁,…,X_N}分解为趋势序列T＝{T₁,…,T_N}、循环序列S＝{S₁,…,S_N}和不规则序列I＝{I₁,…,I_N}，满足，X_t＝T_t+S_t+I_t；舍弃不规则序列I；

其中，t＝1,…,N；N是多元时间序列长度；不规则序列I表示多元时间序列X中叠加的噪声。

进一步地，所述步骤二具体包括：

通过包括但不限于最小二乘法、整合自回归滑动平均模型方法中的一种线性或非线性回归算法对趋势序列进行建模，计算得到(N+1)时刻的趋势序列预测值T_N+1。

进一步地，所述步骤三具体包括：

使用组合模型中的混合高斯模型处理外部因素的影响；使用组合模型中的整合自回归滑动平均模型处理历史各期变量的影响，计算得到(N+1)时刻的循环序列初始预测值S_N+1。

进一步的，使用组合模型中的混合高斯模型处理外部因素的影响，计算得到(N+1)时刻的循环序列初始预测值S_N+1包括：

使用混合高斯模型的期望最大化算法对t时刻下循环序列S_t和多维外部因素进行建模，其中M为外部因素的数量，参数为π、μ和∑的混合高斯模型GMM(π,μ,∑)表示为：