[发明专利]一种基于链式可重写窗口的数据流在线预测方法

摘要

本发明提供一种基于链式可重写窗口的数据流在线预测方法，通过链式重写窗口模型并利用经验模式分解的方法，列对从窗口中得到数据序列进行分解，然后对不同分量分别建立基于最大Lyapunov指数预测模型，最后将这些模型的预测结果进行组合，获得最终预测结果，内容包括：为了实现在线预测提出链式重写窗口模型代替传统的滑动窗口，该窗口模型采用对窗口内数据的重写完成数据更新，在窗口内数据的更新过程无须数据移动，从而提高了系统的处理效率；不仅提高了在线数据预测方法的处理性能，满足了数据流挖掘的需求，而且能充分利用CPU，降低功耗，减少机房构建成本和管理、运行、维护费用，并且这种方法实现简单，需要的开发成本低。

主权项

一种基于链式可重写窗口的数据流在线预测方法, 其特征在于通过链式重写窗口模型并利用经验模式分解的方法，列对从窗口中得到数据序列进行分解，然后对不同分量分别建立基于最大Lyapunov指数预测模型，最后将这些模型的预测结果进行组合，获得最终预测结果，内容包括：为了实现在线预测提出链式重写窗口模型代替传统的滑动窗口，该窗口模型采用对窗口内数据的重写完成数据更新，在窗口内数据的更新过程无须数据移动，从而提高了系统的处理效率；在传统的滑动窗口进行在线数据预测，需要搭建预测框架模型，同样，在链式重写窗口内，需要搭建改进的数据预测框架模型；链式重写窗口模型定义如下，(1) 基本思想传统的滑动窗口技术中，在窗口已满阶段，新数据进入窗口将引起其他已在窗口内的数据发生前移，但是通过把要移入的数据覆盖要移出的数据方法代替这种移动，并且需要提供一套链式可重写窗口技术来维护窗口内部数据的逻辑格局，从而维护逻辑一致性的同时，又避免窗口内部数据的移动，此即为链式可重写窗口技术的思想来源；(2) 形式化描述    LRW=‑ N代表窗口的大小，‑ *head 代表窗口的头部标记，指向窗口头，‑ length 代表窗口内数据量，初值为0，‑ *rear指向最晚进入窗口的元素位置，‑ f 为窗口的格局变换函数，通过该函数能够得到窗口内数据的真实顺序；窗口内算法预测框架模型：原始序列经验模式分解，得到有限个具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量，尽管有些固态模型模态分量仍然保持着不同程度的非平稳性，但是在它们之间的相互影响却被隔离，利用这种隔离尽可能地减少非平稳行为对预测的影响，固有模态分量的频率比原始序列的小得多，这样能减少各个分量的最大Lyapunov指数，从而大大增长可预测时间达到长期预测的目的；在链式重写窗口模型中，需要定义数据节点结构，数据存储和更新以及链式可重写窗口格局变换图,定义如下：typedef struct LNode{    ElemType data;    struct LNode *next;}LNode,*LinkWindow;数据存储和更新：Update(N,length,*head，*rear,ElemType e) {       //窗口未满    If(Ndata = e;        s‑>next = rear‑>next;        rear‑>next = s;        length++;       //窗口已满} else {    If(rear‑>next==null){       rear = head‑>next;}else {    rear = rear‑>next;}rear‑>data = e;}}f 定义如下：‑ f（N，length，*head，*rear）    //窗口未满if(lengthnext，第三行表示数据恰好满时，如果在此阶段有数据到达时，数据此时不能直接进入窗口，而是新到数据覆盖早进入窗口的数据，即rear=head‑>next,rear‑>data=e，第五行表示当窗口满时并且rear‑>next!=null,则rear=rear‑>next;rear‑>data=e；对于分解后的各个分量分别基于最大Lyapunov指数预测模型进行预测，将各分量的预测值进行合成，得到数据序列的最终预测结果。