[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

说明书

本发明提供一种基于特征提取的高维时间序列数据的分析预测方法，涉及数据分析技术领域。该方法首先度量高维时间序列数据的条件属性间和条件属性与决策属性间的相关性，并将与决策属性有相关性的条件属性加入属性核集中；再对高维时间序列数据进行特征提取；然后建立多元线性回归模型，再通过基于健康度的粒子群优化算法对模型中的回归系数进行优化；最后根据所构建的多元线性回归模型，得到某一时刻决策属性的值。本发明提供的基于特征提取的高维时间序列数据的分析预测方法，解决了高维时间序列数据在分析预测过程中所存在的预测效率低、误差大以及容易出现局部最优解的问题，有效提高了多元线性回归分析算法对高维时间序列数据的预测效果。

技术领域

本发明涉及数据分析技术领域，尤其涉及一种基于特征提取的高维时间序列数据的分析预测方法。

背景技术

随着近代科技的发展和互联网技术的普及，用户所产生的数据总量成指数型增长，在大量的数据中，高维时间序列数据是一种非常常见的时态数据，它被广泛的应用于工业、农业、医疗、金融、交通等行业。高维时间序列数据是指在不同的时间点上所收集到的数据，这类的数据可以反映出某一类的现象或事物随时间变化而表现出的状态和趋势。对于高维时间序列数据的高维性首先表现在收集数据的时间点上，通常一个时间点表示为一个维度，因此高维时间序列数据的一个主要特点为数据量大。其次，对于实际生产活动中的高维时间序列数据多为传感器收集，对于不同种类的传感器所收集的数据为不同属性的数据，因此，对于高维时间序列数据的另一个特点为属性数量多。常见的高维时间序列数据主要应用于异常检测、股票交易、销售系统、气象监测以及量子物理研究等等。

对于高维时间序列的预测是指通过当前记录收集的数据来获取到未来一段时间中未发生的数据。它主要可以通过对于条件属性的特征提取后，对决策属性进行预测，也可以通过决策属性的历史数据进行预测。高维时间序列数据的预测已经广泛的应用于经济、医学、气象学等各个领域中，因此，如何提高对于高维时间序列数据预测的准确度，以及降低预测的成本，是目前对高维时间序列数据研究的一大热点。

发明内容

针对现有技术的缺陷，本发明提供一种基于特征提取的高维时间序列数据的分析预测方法，实现对高维时间序列数据进行分析预测。

基于特征提取的高维时间序列数据的分析预测方法，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，具体方法为：

步骤1.1、通过使用联合熵的概念来度量高维时间序列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；

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分别为高维时间序列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；