[发明专利]基于特征提取的高维时间序列数据的分析预测方法

摘要

本发明提供一种基于特征提取的高维时间序列数据的分析预测方法，涉及数据分析技术领域。该方法首先度量高维时间序列数据的条件属性间和条件属性与决策属性间的相关性，并将与决策属性有相关性的条件属性加入属性核集中；再对高维时间序列数据进行特征提取；然后建立多元线性回归模型，再通过基于健康度的粒子群优化算法对模型中的回归系数进行优化；最后根据所构建的多元线性回归模型，得到某一时刻决策属性的值。本发明提供的基于特征提取的高维时间序列数据的分析预测方法，解决了高维时间序列数据在分析预测过程中所存在的预测效率低、误差大以及容易出现局部最优解的问题，有效提高了多元线性回归分析算法对高维时间序列数据的预测效果。

主权项

1.一种基于特征提取的高维时间序列数据的分析预测方法，其特征在于：包括以下步骤：步骤1、基于维度关联性分析对高维时间序列数据进行特征提取，具体方法为：步骤1.1：通过使用联合熵的概念来度量高维时间序列数据中条件属性之间的相关性进行度量，并且根据专家学者的经验知识对判断结果进行交互式分析，对具有相关性较大的条件属性进行处理，最后，通过条件属性与决策属性间相关性度量评价条件属性与决策属性之间的相关性，并将与决策属性具有相关性的条件属性加入属性核集Core中；步骤1.2：基于Granger因果分析对高维时间序列数据进行特征提取；步骤2、在基于维度关联性分析的高维时间序列数据特征提取方法基础上，建立多元线性回归模型对高维时间序列数据进行预测，具体方法为：步骤2.1：根据决策属性时间自相关以及条件属性的相关性，建立多元线性回归模型；步骤2.2：通过基于健康度的粒子群优化算法对多元线性回归模型中的回归系数进行优化；步骤3、根据所构建的多元线性回归模型，将时间序列数据按照模型所需的条件属性值进行输入，得到在某一时刻的决策属性的值，从而完成对某一时刻决策属性值的预测。