[发明专利]用于预报和预测的序列核回归建模方法

权利要求书

1.一种用于确定对象的未来运行状态的方法，所述方法包括：

获取参考数据，所述参考数据指示所述对象的常规运行状态；

获取输入模式阵列，每个输入模式阵列具有多个输入向量，每个输入向量表示时间点并且具有输入值，所述输入值表示指示所述对象的当前状态的多个参数；以及

基于使用输入模式阵列和所述参考数据进行的计算，通过至少一个处理器产生估值，以确定所述输入值与参考数据之间的相似性测量，其中所述估值采用估计矩阵的形式，所述估计矩阵包括至少一个推导估值的估计向量，每个估计矩阵表示非所述输入向量所表示的至少一个时间点,所述非所述输入向量所表示的至少一个时间点是相对于当前时间点的后续时间点；以及

使用所述推导估值确定所述对象的未来状态。

2.根据权利要求1所述的方法，其中所述估计矩阵仅包括估计向量，所述估计向量表示非所述输入向量所表示的时间点。

3.根据权利要求1所述的方法，其中所述估计矩阵包括表示所述输入向量所表示的同一时间点的至少一个估计向量以及表示非所述输入向量所表示的时间点的至少一个估计向量。

4.根据权利要求1所述的方法，其中所述估计矩阵包括表示参数的估值，所述参数指示所述对象的状态并且所述参数并非由所述输入值所表示。

5.根据权利要求1所述的方法，其中每个估计矩阵表示所述当前时间点和非所述输入向量所表示的至少一个时间点。

6.根据权利要求1所述的方法，其中产生估值包括使用所述相似性测量产生加权值，并使用所述加权值与参考数据一起进行计算，以产生所述估计矩阵。

7.根据权利要求6所述的方法，其中所述加权值采用加权向量的形式。

8.根据权利要求6所述的方法，其中用于与所述加权值一起进行计算的参考数据包括参考值，所述参考值表示非所述输入模式阵列所表示的时间点。

9.根据权利要求8所述的方法，其中用于与所述加权值一起进行计算的参考数据表示主当前时间点，并且其中非所述输入模式阵列所表示的时间点是相对于所述当前时间点的后续时间点。

10.根据权利要求6所述的方法，其中用于与所述加权值一起进行计算的参考数据采用学习序列模式矩阵的三维集合的形式，每个学习序列模式矩阵包括参考值的参考向量，其中每个参考向量表示所述学习序列模式矩阵内的不同时间点。

11.根据权利要求10所述的方法，其中每个学习序列模式矩阵包括主当前时间点以及表示相对于所述主当前时间点的后续时间点的时间点。

12.根据权利要求1所述的方法，其中同一时间点表示在多个估计矩阵中。

13.根据权利要求1所述的方法，其中使用所述推导估值包括使用最近估计矩阵更新所述推导估值，以用于确定所述对象的状态。

14.根据权利要求1所述的方法，其中使用所述推导估值包括为单个估计向量提供值，以表示多个估计矩阵中的单个时间点。

15.根据权利要求14所述的方法，其中所述单个估计向量的产生方法是确定单个时间点上所有所述估计向量的平均值、加权平均值或者加权范数。

16.根据权利要求1所述的方法，其中使用所述推导估值包括为单个估计向量提供值，以表示每个估计矩阵。

17.根据权利要求16所述的方法，其中所述单个估计向量的产生方法是计算所述估计矩阵内的所述估计向量的平均值、加权平均值或者加权范数。

18.根据权利要求1所述的方法，其中使用所述推导估值包括形成所述推导估值所表示的至少一个参数的趋势线，以指示所述对象的预期行为。

19.根据权利要求18所述的方法，包括使用每个新估计矩阵形成新趋势线。

20.根据权利要求18所述的方法，包括形成边界趋势线，以界定所述对象的预期行为范围。

21.根据权利要求20所述的方法，包括使用所述时间点上的最大推导估值形成上边界趋势线，以及使用所述时间点上的最小推导估值形成下边界趋势线。