[发明专利]一种结合多种模型的时间序列预测方法

说明书

本发明公开一种结合多种模型的时间序列预测方法，使用STL分解算法将时间序列分解为长期趋势、季节波动、不规则波动三个时间序列；具体步骤如下：步骤一、数据预处理；得到训练集、验证集、测试集；步骤二、根据得到的长期趋势的时间序列，采用传统的预测方法ARIMA模型、Prophet模型进行预测，选择精确度最好的模型；步骤三、根据得到的季节波动的时间序列，采用自适应过滤法、ARIMA模型、Prophet模型进行季节性的预测，选择其中一个精确度最好的模型；步骤四、根据得到的不规则波动的时间序列，采用神经网络模型对不规则波动的时间序列进行预测；步骤五、将步骤二至步骤四的预测结果相加，得到最终的预测结果。

技术领域

本发明涉及传统方法、深度学习人工智能领域，尤其涉及一种结合多种模型的时间序列预测方法。

背景技术

在科技日新月异的今天，很多传统企业对于生产机器的运营维护逐渐从人工的判断和甄别已经转向了由电脑控制并预警。在这个转变过程中，面对海量的机器状态的数据，传统企业无法将数据转化为对于机器未来状态预测的一种方法，不能实现真正的对机器状态的判断和甄别。因此，对根据时间变化的数据，我们提取有用的信息，为传统企业助力。

目前，对于时间序列的预测和异常检测方法有很多，比如传统方法、机器学习方法、深度学习方法等。其中，传统方法包括ARIMA、Prophet、AR、MA等，这些方法只能从已有的时间序列中寻找数据之间的规律，不能准确的捕捉并拟合时间序列本身的特征等，无法真正提高预测的精度；机器学习和深度学习的主要方法是把数据转化为监督数据集，从而进行预测。机器学习方法包括线性回归、决策树、XGBOOST等，深度学习主要包括MLP(多层神经网络)、RNN(循环神经网络)、LSTM(长短期记忆网络)、CNN(卷积神经网络)，这些方法不能挖掘出时间序列的趋势性、季节性规律，对于预测时间序列还有不小的差距。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种结合多种模型的时间序列预测方法，通过对时间序列分解，并对分解后的每一部分分别进行预测的方法。相比于现有的工作，可以将数据进行更为细致的分析，时间序列的组成部分主要有长期趋势、季节变动、不规则波动。通过对每一部分时间序列使用算法进行精准的预测，最后将所有的因素相加得到更为精确的结果。

本发明的目的是通过以下技术方案实现的：

一种结合多种模型的时间序列预测方法，使用STL分解算法将时间序列分解为长期趋势、季节波动、不规则波动三个时间序列；获得一个具有长期趋势特征的时间序列、一个具有季节波动特征的时间序列以及一个不规则波动的时间序列；具体步骤如下：

步骤一、数据预处理；将得到的时间序列按照训练集长度、验证集长度、测试集长度比例为8:1:1进行划分，得到训练集、验证集、测试集；

步骤二、根据得到的长期趋势的时间序列，采用传统的预测方法ARIMA模型、Prophet模型进行预测，选择精确度最好的模型；

(1)通过ARIMA模型进行预测的步骤是：

(101)对长期趋势的时间序列进行平稳性检测；如果长期趋势时间序列为非平稳性序列，使用差分法使得数据更加平稳，得到差分次数d；

(102)根据(101)得到的平稳的长期趋势时间序列，由自相关函数ACF确定自回归项p；

(103)由偏自相关函数PACF确定移动平均项数q；

(104)确定了参数(p，d，q)，计算ARIMA模型在训练数据集上的准确率，并使用验证集确定模型参数，得到拟合的模型之后，检查测试集的预测值是否和实际值一致；

(2)通过Prophet模型进行预测的步骤为：

(201)对长期趋势的时间序列处理，得到只含有日期和对应的时间序列两列的dataframe；