[发明专利]时间序列复杂度测量方法、系统、计算机设备和存储介质

说明书

本发明涉及时间序列分析技术领域，公开了时间序列复杂度测量方法、系统、计算机设备和存储介质。所述方法包括：对原始时间序列进行不相似性计算，得到时间序列不相关指数；对所述原始时间序列进行缺失数据计算，得到时间序列缺失值；对所述原始时间序列进行混沌指数计算，得到时间序列混沌指数；对所述原始时间序列进行偏度计算，得到时间序列偏度绝对值；根据预定权重，对所述时间序列不相关指数、所述时间序列缺失值、所述时间序列混沌指数和所述时间序列偏度绝对值进行加权计算，得到时间序列复杂度。本发明能够解决常用测量方法无法测量复杂度的周期变化和波动性数据的问题，从而对时间序列复杂度进行更全面、更准确的测量。

技术领域

本发明涉及时间序列分析技术领域，特别是涉及一种时间序列复杂度测量方法、系统、计算机设备和存储介质。

背景技术

时间序列数据的复杂度是影响时间序列预测精度的关键因素，而不同复杂度时间序列预测结果精度的差别较大，因此测量时间序列的复杂度，对于预测模型训练效果分析和预测结果精度的评价都具有十分重要的意义。

目前，常用的时间序列复杂度测量方法有熵理论和混沌理论两种，其中，熵理论还包括样本熵、模糊熵等基于不同的熵理论来测量时间序列复杂度，混沌理论中采用李雅普诺夫指数来描述时间序列复杂特征。这些方法虽然能够评估时间序列的不规则性和无序性，但是这些方法无法测量复杂度的周期变化和波动性数据，因此，无法全面、准确地测量时间序列的复杂性。

发明内容

为了解决上述问题，本发明的目的是提供一种能够从时间序列中的周期特征、缺失特征、混沌特征和频率分布特征四个方面，综合全面的对时间序列复杂度进行测量的方法、系统、计算机设备和存储介质。

第一方面，本发明实施例提供了一种时间序列复杂度测量方法，所述方法包括：

对原始时间序列进行不相似性计算，得到时间序列不相关指数；

对所述原始时间序列进行缺失数据计算，得到时间序列缺失值；

对所述原始时间序列进行混沌指数计算，得到时间序列混沌指数；

对所述原始时间序列进行偏度计算，得到时间序列偏度绝对值；

根据预定权重，对所述时间序列不相关指数、所述时间序列缺失值、所述时间序列混沌指数和所述时间序列偏度绝对值进行加权计算，得到时间序列复杂度。

进一步地，所述对原始时间序列进行不相似性计算，得到时间序列不相关指数的步骤包括：

对原始时间序列进行不相似性计算，得到皮尔逊相关系数；

根据所述皮尔逊相关系数，得到时间序列不相关指数；

采用如下公式计算所述皮尔逊相关系数：

其中，U_i和U_j是原始时间序列X＝[x₁,x₂,...x_N]的构造向量U＝[U₁,U₂,...U_M]中的第i个和第j个元素，N为原始时间序列X的长度，w为设定的窗口长度，构造向量U中的元素为U_m＝[x_(m-1)*w+1,x_(m-1)*w+2,...,x_(m-1)*w+w]，cov(U_i,U_j)为U_i和U_j的协方差，D(U_i)和D(U_j)分别为U_i和U_j的方差；

采用如下公式计算所述时间序列不相关指数：