技术领域本发明涉及目标预测方法领域，具体为一种多维数据特征相似性测量的目标预测方法。
背景技术：
目标变量预测广泛应用于工业过程控制、经济数据处理、政府宏观规划等领域。比如GDP的预测，区域物流需求量的预测，交通流预测等。目前根据对于预测目标变量所采取的数据类型，可以将目标变量分为两类，一类是与属性变量强关联的目标变量，该类目标变量理论上认为是由多维属性变量建立线性或非线性关系共同作用的结果。该类目标变量的预测通常选用不同的模型建立属性变量与目标变量的映射关系并拟合。这一类方法深入考虑了目标变量和属性变量间的关联关系及各因子间的相互制约等，但是属性变量获取的滞后性，使得目标变量很难有效的在时间轴上进行拓展。另外一类目标变量则是与其他变量没有关联映射关系的单独数据个体，通过对其在时间轴上的前后延伸，形成该变量的时间序列，进而建立模型探寻历史数据的规律来完成其时间轴上未来几点的预测。一些经典的时间序列预测方法，诸如AMIMA，灰色系统理论，SVM(支持向量机)等等，便是该类方法的代表。但是这种以目标向量构造时间序列的预测方法，自身数据源即是训练样本又是测试样本，其数据节点预测依赖于前期若干维数据节点，该结果又作为下一节点预测的数据基础，预测误差也容易传递下去，而造成最后结果的偏离。以上预测方法不同的适用范围，使得广大研究人员开始对不同方法的集成和新算法的融合进行研究，但是我们不难看出，当前的研究方法都集中在预测模型建立的方法论上，鲜有文献对多维属性数据特征本身进行研究，而数据源本身才是整个目标预测的基础。究其原因，一方面可以归结为全数据特征的高维数容易使智能学习算法陷入维数灾难，另一方面是难以在大数据环境下寻找属性特征与目标变量间的映射关系。
技术实现要素：
本发明的目的在于提供一种多维数据特征相似性测量的目标预测方法，从高维数据特征出发，将目标预测问题通过属性特征直方图分布的形式转化为模式识别的相似性测量问题，实现模式识别方法和时间序列方法的有效结合，并通过实验验证了其良好的效果，解决了背景技术中提出的问题。为实现上述目的，本发明的技术方案是：一种多维数据特征相似性测量的目标预测方法，包括以下步骤：S1：结合目标预测实际，提取与待预测目标强关联的二维属性面板数据其中属性特征作为横轴、时间序列作为纵轴，构成数据矩阵；S2：建立数据矩阵的属性直方图，某不同时间节点下归一化后的各数据特征向量直方图分布分别为P＝{(p1,ωp1),...(pm,ωpm)