[发明专利]一种基于矩阵分解的多维时序数据分析方法

权利要求书

1.一种基于矩阵分解的多维时序数据分析方法，其特征在于：先对多维时序数据矩阵R进行预处理，然后将其分解为时间维度矩阵P和特征维度矩阵Q，使得矩阵P^TQ≈R，其中，所述时间维度矩阵P的每一列对应多维时序数据矩阵的一个时间点，所述特征维度矩阵Q的每一列对应多维时序数据矩阵中一个特征包含的所有数值，最后通过对时间维度矩阵P和特征维度矩阵Q进行分析，预测下一个时间点对应的多维数据和所有特征之间的互相关系，完成对多维时序数据的分析。

2.根据权利要求1所述的基于矩阵分解的多维时序数据分析方法，其特征在于：对所述特征维度矩阵Q进行相关性分析，获得互影响力矩阵Corr，进而得到所有特征之间的互相关系；对所述时间维度矩阵P＝[P₁,P₂,P₃,…,P_n]进行下一个时间点的预测，获得下一时间向量P_n+1，利用下一时间向量P_n+1的转置矩阵和特征维度矩阵Q相乘，获得预测的下一个时间点对应的多维数据。

3.根据权利要求2所述的基于矩阵分解的多维时序数据分析方法，其特征在于：采用Person相关系数法对所述特征维度矩阵Q进行相关性分析，获得所有特征之间的线性关系；利用自回归模型对所述时间维度矩阵P＝[P₁,P₂,P₃,…,P_n]进行预测，得到下一时间向量P_n+1。

4.根据权利要求1所述的基于矩阵分解的多维时序数据分析方法，其特征在于：记多维时序数据矩阵为R_l*m，则分解后的时间维度矩阵为P_n*l，特征维度矩阵为Q_n*m，其中，n为设定参数，计算矩阵P_n*l^T·Q_n*m与R_l*m之间的均方误差，判断是否达到目标值，若没有，则利用梯度下降法，修改时间维度矩阵为P_n*l、特征维度矩阵为Q_n*m中的矩阵元素，或者直接修改设定参数n，使得均方误差下降，直到小于目标值。

5.根据权利要求4所述的基于矩阵分解的多维时序数据分析方法，其特征在于：所述预处理包括先进行数据缺失处理，再进行归一化处理。