[发明专利]一种基于稀疏化方法的核最小均方时间序列在线预测模型

说明书

一种基于稀疏化方法的核最小均方时间序列在线预测模型，属于时间序列预测技术领域。本发明选择核自适应滤波器中经典的核最小均方算法作为基础算法，针对实际数据中存在异常值和自然噪声等问题，将稀疏化方法和自适应调整方法运用其中，提高算法模型的预测能力和抗噪能力。首先，运用归一化方法对数据进行预处理；然后，运用顺序异常值准则来剔除数据中的异常值；最后，将量化方法与权重自适应调整方法相结合，来减小预测模型字典的大小并提高模型的跟踪时变特性能力。本发明能够充分利用有效信息，排除异常信息的干扰，获得更加准确、紧凑的字典；通过控制参数的选择可以在算法效率和准确性之间达到良好的平衡；还可以在时变环境中自适应地调整权重。

技术领域

本发明属于时间序列预测技术领域，涉及一种在线预测方法，尤其涉及一种基于核自适应滤波器算法而进行建模的预测模型。

背景技术

时间序列的在线预测在许多领域中起着越来越重要的作用，金融、环境、医药以及工程等领域里，经常以时间序列的形式收集数据。精确的时间序列预测在实际应用中具有重要价值。例如，通过对大型设备的故障诊断与剩余寿命预测，以“视情维修”替代传统的“定期维修”，从而可以降低维护费用，提高维护效率，甚至可以避免灾难性事故的发生。在实际预测应用中，大多数时间序列呈非线性特性，且需要在线处理方式，如股票走势预测、交通流实时预测以及半导体设备在线监测等。

随着各个领域的快速发展，所获取的各种数据的数量也在飞速增长，时间序列的长度逐渐增加，数据的统计特性随时间不断变化，每个新到达数据的线性增长结构增加了内核学习网络中的计算复杂性和内存需求。传统的离线预测方法难以达到预测的目标效果，这就对时间序列的在线预测方法提出了更高的需求：

(1)数据量的增加需要预测方法能降低计算复杂度，减小计算占用内存；(2)许多系统产生的时间序列还具有时变特性；(3)在实际应用中，收集的数据会有异常值，如果异常值被计算应用于模型中，将会对预测的准确性产生巨大的不良影响。因此，在处理时间序列数据时，运用稀疏性方法对数据进行预处理是十分有必要的。

因此，有必要针对具有时变特性和较大数据量的时间序列，设计出合适的在线预测方法，使其能够实时更新、提升预测效率、反映时间序列的时变特性、提高多步预测的精度，增强在线预测能力。

本发明由国家自然基金项目(61773087)资助。

发明内容

本发明针对现有技术中在线预测运算时间过长和预测不准确的问题，提供了一种基于稀疏化方法的核最小均方时间序列在线预测方法。

本发明采用的技术方案如下：

一种基于稀疏化方法的核最小均方时间序列在线预测模型，包括如下步骤：

步骤1：从实际数据中获取时间序列预测问题的样本数据，包括输入数据x(n)＝[x₁(n)；x₂(n)；...x；_m(n)]和预测目标y(n)，其中x_i(n)为第i个特征序列。

步骤2：运用归一化方法处理实验数据。

数据归一化处理是把所有数据都转化为[0，1]之间的数，其目的是消除各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成预测误差较大。采用归一化方法公式为：

其中，x_i和分别代表样本数据归一化前后的值，x_max和x_min分别代表样本数据的最大值和最小值。

步骤3：划分训练集和测试集，并设置模型参数。