[发明专利]随机事件MNR极限递归统计分析方法

摘要

随机事件MNR极限递归统计分析方法涉及随机事件发生的趋势和发生可能性的统计分析和预测，用来提高对随机事件下个时期发生可能性预测的准确性。本发明具体技术解决方案是对随机事件进行数字化，统计随机事件M期数字化历史数据，分别对该数据及其其它特征数字序列做N个时期个数的R次递归统计，生成N个时期个数的移动平均曲线和极限破位情况综合统计表，利用反向原则分析预测随机事件下个时期发生可能性的程度。

主权项

1.一种对随机事件发生可能性程度预测的极限递归统计分析方法，其特征在于：对随机事件的M(M为正整数)时期个数历史记录进行数字化，1代表随机事件发生，0代表未发生，建立随机事件数字化序列表如下(表-1)：  期数  1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  事件  发  生  未  发  生  发  生  发  生  发  生  发  生  发  生  未  发  生  发  生  未  发  生  未  发  生  未  发  生  未  发  生  发  生  发  生  未  发  生  未  发  生  未  发  生  数字化  1  0  1  1  1  1  1  0  1  0  0  0  0  1  1  0  0  0利用平均法计算产生时期个数为n期的随机事件n期移动平均值01：计算公式如下：P₁、P₂、P₃、......、P_t  列出第1至第t时期的平均值Pt＝(Z_t+Z_t-1+Z_t-2+…+Z_t-(n-1))/n式中，P_t-是第t时期的平均值；n-移动平均的时期个数(步进长度)；Z_t-第t期实际值；在本实例中，时期个数n取值为5(也可以去其它的正整数值)，得到5期移动平均值01序列，如下表(表-2)：  期数  1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  事件  状态  发  生  未  发  生  发  生  发  生  发  生  发  生  发  生  未  发  生  发  生  未  发  生  未  发  生  未  发  生  未  发  生  发  生  发  生  未  发  生  未  发  生  未  发  生  数字化  1  0  1  1  1  1  1  0  1  0  0  0  0  1  1  0  0  0  5期移动  平均值  01  4  4  5  4  4  3  2  1  1  1  2  2  2  2判断5期移动平均值01序列中下期(第t期)数值与上期(第t-1期)数值是否相等，不相等用1表示，相等用0表示，得到相等情况01序列，如下表(表-3)：  期数  1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  事件  状态  发  生  未  发  生  发  生  发  生  发  生  发  生  发  生  未  发  生  发  生  未  发  生  未  发  生  未  发  生  未  发  生  发  生  发  生  未  发  生  未  发  生  未  发  生  数字化  1  0  1  1  1  1  1  0  1  0  0  0  0  1  1  0  0  0  5期移动  平均值  01  4  4  5  4  4  3  2  1  1  1  2  2  2  2  相等情况  01  0  1  1  0  1  1  1  0  0  1  0  0  0对相等情况01做期数个数n＝5(也可选n为其它正整数)的5期移动平均值统计，得到5期移动平均值02序列，如下表(表-3)：  期数  1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  事件  状态  发  生  未  发  生  发  生  发  生  发  生  发  生  发  生  未  发  生  发  生  未  发  生  未  发  生  未  发  生  未  发  生  发  生  发  生  未  发  生  未  发  生  未  发  生  数字化  1  0  1  1  1  1  1  0  1  0  0  0  0  1  1  0  0  0  5期移动  平均值  01  4  4  5  4  4  3  2  1  1  1  2  2  2  2  相等情况  01  0  1  1  0  1  1  1  0  0  1  0  0  0  5期移动  平均值  02  3  4  4  3  3  3  2  1  1判断5期移动平均值02序列中下期(第t期)数值与上期(第t-1期)数值是否相等，不相等用1表示，相等用0表示，得到相等情况02序列，如下表(表-4)：  期数  1  2  3  4  5  6  7  8  9  10  11  12  13  14  15  16  17  18  事件  状态  发  生  未  发  生  发  生  发  生  发  生  发  生  发  生  未  发  生  发  生  未  发  生  未  发  生  未  发  生  未  发  生  发  生  发  生  未  发  生  未  发  生  未  发  生  数字化  1  0  1  1  1  1  1  0  1  0  0  0  0  1  1  0  0  0  5期移动  平均值  01  4  4  5  4  4  3  2  1  1  1  2  2  2  2  相等情况  01  0  1  1  0  1  1  1  0  0  1  0  0  0  5期移动  平均值  02  3  4  4  3  3  3  2  1  1  相等情况  02  1  0  1  0  0  1  1  0  …接下来对相等情况02序列做类似的统计，这样递归统计R(为正整数)次得到2R行统计数据。根据5期移动平均值01序列画出5期移动曲线。极限是指在事件A的M期历史数据中最多连续出现的时期个数(叫连出极限)和最多连续没有出现的时期个数(叫连空极限)；破位是指当前事件A连续出现时期个数已经大于连出极限值(叫连出破位)，或当前最多连续没有出现的时期个数大于连空极限值(叫连空破位)。把极限和破位概念扩展到上述表格(表-4)中的所有由0、1组成的序列中，在本实例中M＝18期，计算出1连出极限和破位情况、0连出极限和破位情况。我们用极限和破位的这个广义定义，对上述表格(表-4)中的所有有0、1组成的序列进行极限和破位统计，产生5期MNR综合统计表如下(表-5)：按照上述统计方法，对事件A的历史数据分别做N＝5、10、20、30时期个数的统计分析，并画出5、10、20、30时期个数的移动曲线，5期移动平均曲线的纵向取值为5期移动平均值01序列，10期移动平均线的纵向取值等于随机事件的10期对应移动平均值除以2，20期移动平均线的纵向取值等于随机事件的20期对应移动平均值除以4，30期移动平均线的纵向取值等于随机事件的30期对应移动平均值除以6，并计算产生包含极限和破位情况的综合统计表。在这个过程中，对数字化一行的由0、1组成的序列进行移动平均和相同情况的R次递归计算统计，得到相应的移动平均值、曲线和极限破位情况，这个递归过程叫做MNR极限递归统计。其中M代表统计随机事件历史数据的总期数，N代表计算数字化序列移动平均值采用的期数个数，R代表对数字化序列进行移动平均和相同情况的R次递归统计。对不同的随机事件，要根据具体情况选择适当的M、N、R值，要反映出随机事件短期内的变化，也要反映出其长期的趋势，更要反映出极限和破位的情况。采用反向原则对统计结果进行分析。反向原则定义：如果多条移动平均线反映出数字化序列值当前处于上升趋势，并且MNR综合统计表中0极限破位情况这一列中出现已到极限、已经破位，那么随机事件下期发生的可能性为高；如果多条移动平均线反映出数字化序列值当前处于下降趋势，并且MNR综合统计表中1极限破位情况这一列中出现已到极限、已经破位，那么随机事件A下期发生的可能性为低。对随机事件进行分析判断：5期平均线呈上升趋势，表-5中在0极限破位情况一列中出现已经破位情况，根据反向原则，事件A下期发生的可能性为高。