[发明专利]一种时间序列数据的预测方法和系统

说明书

技术领域

本发明涉及数据处理技术，尤其涉及时间序列数据的预测方法和系统。

背景技术

时间序列数据的预测涉及到社会、国家发展的方方面面。以经济数据为例进行说明。经济数据是一个国家和地区经济情况的体现，其中有很大一部分都是各种经济指标、生产资源在不同时间点上收集的数据，是典型的时间序列数据。这些数据中蕴藏了丰富的信息，如经济运行状态、未来发展趋势等。因此，对宏观经济数据进行研究，挖掘其中隐含的规律，并对未来趋势作科学预测，是十分有益的。它不仅能指导一个地区或国家对经济体制进行调整或改革，对于企业进行生产规划及个人进行投资而言，也有重要的参考价值。

经济数据经常受到各种因素的综合影响，每一种数据都是多种因素叠加的结果。比如就出口数据而言，对其造成影响的既有本国企业的竞争力等内生因素，也有汇率、国际经济形势、关税和贸易政策等外生因素。这些因素有的是周期性的，有的是非周期性的。传统的做法是将外生因素看作是信号噪声而将其去除后再进行预测，这样对于相对平滑的数据预测比较准确，但难以预测受到外生冲击的数据。

事实上，即使是外生因素，也是具有一定的可预测性的。比如金融危机、本国或东道国的贸易政策，虽然看上去都是突然发生的，但其发生之前实际上就有很多征兆，是很多因素的影响不断累积，最终达到临界点而爆发出来的。因此，只要能够建立足够完善的模型，对这些数据隐含的信息进行充分地挖掘，便能得到科学的预测。

时间序列数据大多数为非平稳序列，而在经济领域，由于其受多方面影响，因此，更是复杂的非平稳序列。目前运用于宏观经济数据预测的建模方法常见的有基于自回归积分滑动平均模型(Autoregressive Integrated Moving Average，ARIMA)以及人工神经网络模型。使用基于ARIMA的建模方法，虽然建模过程简便，但在对总体趋势的预测上并不稳定，常常产生滞后的现象。基于传统人工神经网络(如BP神经网络)的建模预测存在着网络训练难的问题，而且由于神经网络模型追求整体误差小的目标，使得尽管预测趋势较理想，但对波动较大的细节预测精度有待提高。总之，在对复杂的非平稳时间序列数据(尤其是对有外生冲击的经济数据)进行预测时，常用的传统模型的预测精度难以得到理想效果。

因此，需要一种能够更加准确地预测时间序列数据的方法和系统。

发明内容

本发明旨在解决上面描述的问题。本发明的目的是提供一种时间序列数据的预测方法和系统，在建模过程简洁易操作的前提下，能更加准确地对非平稳时间序列数据进行预测。

根据本发明的第一方面，提供了一种时间序列数据的预测方法，所述方法包括：

步骤1，对由t-1个时刻的数据组成的序列进行小波分解，得到n个子序列，其中每个子序列由相应的t-1个时刻的数据组成，其中，t为大于1的自然数，n为大于等于2的自然数；

步骤2，对所述n个子序列分别进行平稳性检测，其中有j个平稳子序列和n-j个非平稳子序列，其中j为大于等于1且小于等于n的自然数；

步骤3，利用j个平稳子序列的t-1个时刻的数据分别建立ARMA模型，并分别预测每个平稳子序列t时刻的数据，并将预测的各平稳子序列的t时刻的数据求和得到所述时间序列的t时刻的第一预测值；

步骤4，利用n-j个非平稳子序列的t-1个时刻的数据分别建立LSTM模型，并分别预测每个非平稳子序列t时刻的数据，并将预测的各非平稳子序列t时刻的数据求和得到所述时间序列的t时刻的第二预测值；

步骤5，将所述时间序列的t时刻的所述第一预测值和所述第二预测值求和，获得所述时间序列的t时刻的预测数据。

其中，所述步骤4还包括通过以下计算公式预测每个非平稳子序列t时刻的数据：

其中，w_h1,b₁分别为第一权值和第一偏置，w₁₂,b₂分别为第二权值和第二偏置，w₂₃,b₃分别为第三权值和第三偏置，s表示向量H_t(h_t1,h_t2,…,h_ts)中包括的元素的个数，且s为大于等于1的自然数，

并且，Relu函数的定义为Reluf(x)＝max(0,x)，