[发明专利]基于特征提取的高维时间序列数据的分析预测方法

权利要求书

1.一种基于特征提取的高维时间序列数据的分析预测方法，其特征在于：包括以下步骤：

步骤1、基于维度关联性分析对高维时间序列数据进行特征提取，所述高维时间序列数据为通过对帕金森患者的生物医学声音测量得到的帕金森遥感数据，具体方法为：

步骤1.1：通过使用联合熵的概念来度量帕金森遥感数据中条件属性之间的相关性进行度量，并且根据专家学者的经验知识对判断结果进行交互式分析，对具有相关性较大的条件属性进行处理，最后，通过条件属性与决策属性间相关性度量评价条件属性与决策属性之间的相关性，并将与决策属性具有相关性的条件属性加入属性核集Core中；

步骤1.2：基于Granger因果分析对帕金森遥感数据进行特征提取；

步骤2、在基于维度关联性分析的帕金森遥感数据特征提取方法基础上，建立多元线性回归模型对帕金森遥感数据进行预测，具体方法为：

步骤2.1：根据决策属性时间自相关以及条件属性的相关性，建立多元线性回归模型；

步骤2.2：通过基于健康度的粒子群优化算法对多元线性回归模型中的回归系数进行优化；

步骤3、根据所构建的多元线性回归模型，将帕金森遥感数据按照模型所需的条件属性值进行输入，得到在某一时刻的决策属性的值，从而完成对某一时刻决策属性值的预测。

2.根据权利要求1所述的基于特征提取的高维时间序列数据的分析预测方法，其特征在于：步骤1.1所述条件属性间的相关性度量使用如下所示公式进行判断：

其中，c₁和c₂分别为帕金森遥感数据的两个条件属性，p(c₁,c₂)为两个条件属性c₁和c₂间的概率分布，H(c₁,c₂)为两个条件属性c₁和c₂间的相关性度量；

所述条件属性与决策属性间的相关性度量使用如下所示公式进行判断：

其中，c为条件属性，d为决策属性，p(c,d)为条件属性c和决策属性d的联合概率分布，p(c)和p(d)分别为条件属性c和决策属性d边缘分布，I(c；d)为条件属性c和决策属性d间的相关性度量；

对于条件属性与决策属性间相关性度量，若I(C-{c_i}；D)I(C；D)，其中C＝{c₁,c₂,…c_n}为含有n个条件属性的条件属性集，c_i∈C为条件属性集C中的第i个条件属性，i＝1、2…、n，D为决策属性集，说明此条件属性对于决策属性具有相关性，则将条件属性c_i加入到集中，结果为Core＝Core+{c_i}，否则对下一个条件属性进行判断直至最后一个条件属性。

3.根据权利要求1所述的基于特征提取的高维时间序列数据的分析预测方法，其特征在于：所述步骤1.2的具体方法为：

步骤1.2.1:对帕金森遥感数据进行预处理；

首先利用单位根检验法对帕金森遥感数据的平稳性进行检验，对于不平稳的帕金森遥感数据，通过差分转换方法进行转换使其平稳；然后，使用周期图法和Fisher精确检验法进行周期性检验，最后，通过贝叶斯信息准则BIC对帕金森遥感数据进行最优滞后期计算；

步骤1.2.2:构建决策属性的自回归模型；

步骤1.2.3:构建加入条件属性后的决策属性的增广型自回归模型；

步骤1.2.4:对条件属性与决策属性进行Granger因果关系检验，

步骤1.2.5：对于与决策属性具有因果性的条件属性加入属性核集；

步骤1.2.6：对下一条件属性进行因果性判断。