[发明专利]一种基于重采样的AAKR模型不确定度计算方法及系统

权利要求书

1.一种基于重采样的AAKR模型不确定度计算方法，其特征在于，包括以下步骤：

步骤1)、将传感器历史状态数据集分为训练数据集和测试数据集；

步骤2)、通过小波去噪方法对训练数据集进行去噪并计算噪声方差；

步骤3)、通过Bootstrap方法对训练数据集进行多次重采样，每次重采样后得到一组新训练数据集，根据采样后各组新训练数据集建立多个新模型，根据多个新模型预测得到多个模型预测值，计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差；

步骤4)、计算模型预测值与测试观察值之间的均方误差；

步骤5)、根据噪声方差、模型预测方差和均方误差计算得到模型偏差；

步骤6)、根据模型偏差和模型方差进行估计，可得到蒙特卡罗不确定度估计值为模型偏差的平方与模型方差之和的开方值的2倍。

2.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，加载传感器历史数据，并对传感器历史数据进行检测纠正异常值，并将纠正后的数据集分为训练数据集和测试数据集。

3.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，利用小波去噪方法对训练数据集去噪，

其中，ε_i是训练数据集中第i个训练观测值X_i的噪声估计；是训练数据集中第i个训练观测值X_i的真实值的估计值；训练数据集中i个变量噪声的方差为：

n_trn是训练观察次数；是噪声估计的期望值；是训练数据集噪声方差。

4.根据权利要求3所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，利用下式计算多个模型预测值之间的变化即模型预测方差：

其中，为第j个变量的第i个观测值的方差；得到n_tst×p维方差估计，每个p变量的方差按升序排列，选择第95个百分位数最大值来保守估计单点方差。

5.根据权利要求4所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，每个重采样训练数据集建立的新模型均可给出一个模型预测值即计算新模型预测值与测试观察值之间的均方误差MSE：

其中X_tst,i和分别是第i个新模型的测试观察值和模型预测值；MSE的维数为1×p，N个预测值就会产生N个1×p维MSE。

6.根据权利要求5所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，模型偏差为：

7.根据权利要求1所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，根据蒙特卡罗不确定度估计值，计算95％置信水平对应的置信区间和预测区间，利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。

8.根据权利要求7所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，根据蒙特卡罗不确定度估计值，计算95％置信水平对应的置信区间和预测区间，利用Jackknife偏差估计方法对AAKR模型预测的置信区间(CI)进行纠偏以及计算预测区间。

9.根据权利要求8所述的一种基于重采样的AAKR模型不确定度计算方法，其特征在于，置信区间的一般方程为：

其中，是对模型预测值期望θ的估计，则其偏差为：

模型预测值是n_tst×p维时间状态序列；表示去掉第i(i＝1,2,...,N)个预测值后的估计量，对其求均值得到那么Jackknife偏差估计为：

由此得到的纠偏估计量：

所以纠偏后的置信区间为：

95％置信水平的预测区间为：

10.一种基于重采样的AAKR模型不确定度计算系统，其特征在于，包括数据获取模块、数据去噪模块和数据处理模块；

数据获取模块用于获取传感器历史状态数据集并将获取到的数据集分为训练数据集和测试数据集，将训练数据集传输至数据去噪模块；

数据去噪模块将接收到的训练数据集进行去噪并计算噪声方差并将噪声方差传输至数据去噪模块，同时将去噪后的训练数据传输至数据处理模块；

数据处理模块对训练数据集通过数据获取模块进行多次重采样，每次重采样后得到一组新训练数据集，根据采样后各组新训练数据集建立多个新模型，根据多个新模型预测得到多个模型预测值，计算多个模型预测值之间的变化即可得到多个模型预测值的模型预测方差；同时计算模型预测值与测试观察值之间的均方误差；最后根据噪声方差、模型预测方差和均方误差计算得到模型偏差；以模型偏差和模型方差进行估计，可得到模型偏差的平方与模型方差之和的开方值的2倍值为蒙特卡罗不确定度估计值并输出。