[发明专利]一种基于电力大数据的茶叶产量预测新方法

权利要求书

1.一种基于电力大数据的茶叶产量预测新方法，其特征在于，包括：

步骤S1、收集汇聚包括历年茶叶产量、茶企用电量、茶企生产茶系分类的历史数据，并进行数据预处理；

步骤S2、构建基于多元时间序列ARIMA(p,d,q)分析模型，引入遗传算法进行参数优化，得到拟合数据；

步骤S3、将获得的拟合数据与对应的茶产量历史数据的残差值作为特征输入，构建基于灰色茶产预测模型GM(1,1,α)，引入改进粒子群迭代算法实现参数调优；

步骤S4、将灰色茶产预测模型GM(1,1,α)和多元时间序列ARIMA(p,d,q)分析模型融合构造来实现最终茶叶产量预测；

所述步骤S2具体实现如下：

平稳性检验：通过单位根检验法ADF检验判断从灰色茶产预测模型GM(1,1,α)得出的茶产量时间序列数据的平稳性，如果通过ADF检验可确定茶产量时间序列不具有平稳性，则进行平稳化处理，即差分定阶；反之若茶产量时间序列具有平稳性，序列不需要经过处理，并且确定多元时间序列ARIMA(p,d,q)分析模型中参数d的值为0；

差分定阶：茶产量时间序列不具有平稳性需要对其进行差分运算，采用差分的方式实现序列平稳化，差分运算如下所示：

其中为差分算子，表示经过p阶差分；

根据延迟算子的定义可得：x_t-1＝Bx_t,x_t-2＝B²x_t,…,x_t-p＝B^px_t，则

非平稳性的茶产量时间序列经过d阶差分后变成平稳的时间序列时，可记为：

y_t＝(1-B)^dx_t (3)

经过差分定阶后的茶产量时间序列后可确定多元时间序列ARIMA(p,d,q)分析模型中参数d的取值，即为经过d阶差分定阶的阶数值；

自相关系数p和偏相关系数q定值：

输入具有平稳性的茶产量时间序列，通过自相关函数求出相应的自相关系数p，具体的自相关函数曲线和置信区间上边线的交点横坐标为多元时间序列ARIMA(p,d,q)分析模型中参数p的值；

输入具有平稳性的茶产量时间序列，通过偏相关函数求出相应的自相关系数q，具体的自相关函数曲线和置信区间上边线的交点横坐标为多元时间序列ARIMA(p,d,q)分析模型中参数q的值；

模型检验：模型的检验分为两部分，一部分是对模型的显著性检验，即茶产量残差序列是否为白噪声序列，如果是则说明提取的序列信息比较完成，如果不是说明茶产量残差序列当中仍然存在有效信息，应该继续提取；另一部分是对参数的显著性检验，即看每个参数是否显著为零，是的话则将参数对应自变量剔除，考虑在不引入过多虚假参数的前提下，使得残差平方和尽量小，因此引入以下AIC准则函数：

其中n,m对应的多元时间序列ARIMA(p,d,q)分析模型中自相关项数p和偏相关项数q；为模型的极大似然函数值；

参数估计：多元时间序列ARIMA(p,d,q)分析模型的多项式项数确定后，使用改进遗传算法应用多元时间序列ARIMA(p,d,q)分析模型正的参数估计，将多项式系数采用实数编码方式，组成初始类染色体，其中每一串多项式系数为染色体内的一个基因片段，通过该方式生成大量染色体组成初始种群，种群中根据适应度，选择基因组合最优的染色体，向下一迭代周期的染色体个体进行遗传，同时采用变异机制使种群中的基因发生变化；通过大量染色体不断的遗传变异，逐步在空间中得到基因组合最优的染色体，即最合适的p+q个多项式系数。

2.根据权利要求1所述的一种基于电力大数据的茶叶产量预测新方法，其特征在于，所述步骤S1中对历史数据进行数据预处理过程，即对各业务系统提供的历史数据进行整理，具体即：清洗重复、不完整的不可用数据，修正突变异常数据、补全缺失数据，对多源系统间数据进行关联匹配、计算。