[发明专利]一种使用连续分段线性特征的供需市场时序预测方法

说明书

本发明提出了一种使用连续分段线性特征的时间序列预测方法，在存在供需参与者的市场分析领域，需要对市场中的供给、需求、总成交额等目标在未来较长时间内的数值进行预测，目标变量的长期趋势通常是呈阶段性变化。本发明提出了通过独热和线性编码对分段时间序列特征进行构造；为保证模型输出结果沿时间方向的连续性，构造了带有线性约束的优化问题；通过拟合历史数据得到预测模型参数，进而对未来目标数值做出预测并输出。本发明提出的基于连续分段线性的特征的时间序列预测方法，相较于基于传统时间特征的预测方法可以较好地解决对供需市场目标变量阶段性趋势的建模和预测。

技术领域

本发明属于时序预测领域，具体涉及一种使用连续分段线性特征的供需市场时序预测方法。

背景技术

在存在供需参与者的市场分析领域，需要对市场中的供给、需求、总成交额等目标在未来较长时间内的数值进行预测，目标变量的长期趋势通常是呈阶段性变化的。

对于一段由目标变量组成的时间序列y₁，y₂，…，y_T，时间序列预测问题是对其未来长度为H的取值y_T+1，y_T+2，…，y_T+H进行预测。

时间序列预测问题的已知信息除目标变量序列构成的时间序列y₁，y₂，…，y_T之外，还包括静态特征m，以及已知特征x(t)，t＝1，2，…，T+H。

基于上述已知信息，可以在训练集合的历史数据上构造由已知特征到目标值的回归问题。通过优化含有模型参数的回归问题，得到由已知特征到目标值的映射关系作为预测模型。在进行预测时，在测试集合上将已知信息输入预测模型，得到的模型输出即为预测值。

一般而言，完全已知的特征通常包含星期、季节、年度周期等时间特征。依靠这种传统的时间特征，可以对目标时间序列以星期、年度为周期的波动进行建模。但是这种方式往往对目标时间序列中普遍存在的阶段性趋势变动缺乏表征能力。进而造成模型缺乏对预测目标较长期趋势的建模和预测能力；同时由于模型缺乏对趋势项因素的考虑，造成模型对其他因素的参数估计不准确。

针对上述问题，本发明提出了一种使用连续分段线性特征的时间序列预测方法。该方法相较于基于传统时间特征的预测方法可以更好地解决对供需市场中目标变量阶段性趋势的建模和预测。

发明内容

针对上述问题，本发明提出了一种使用连续分段线性特征的供需市场时序预测方法，包括如下步骤：

步骤1：对于供需市场上长度为T的目标时间序列y₁，y₂，…，y_T，沿时间轴选取N+1个转折点1＝s₁＜s₂＜…＜s_N+1＝T，将目标时间序列划分为N个时间片段；

步骤2：建立供需市场时序预测模型：

其中，f(x(t)，m；θ)为原时序预测问题的参数化模型表示形式，x(t)和静态特征m为已知特征，θ为该部分模型含有的模型参数向量；g(t；k，b)为含有分段线性特征的模型：

其中k、b为模型参数向量，维数均为N；

其中，为示性函数，α_n(t)和β_n(t)分别为表征第n个时间片段对应的线性和独热编码特征；

步骤3：构造模型连续性约束条件，得到带有连续性约束的优化问题，对模型进行训练，通过求解该优化问题，得到优化后的模型参数θ^＊及其中，连续性约束条件为：