一种新的时间序列的预测方法与流程

技术特征：

1.一种新的时间序列的预测方法，其特征在于，包括：接收输入的原始滑坡时间序列{X(t),t＝1,2,3,…,n}；

判断所述原始滑坡时间序列是否具有混沌特征；

若所述原始滑坡时间序列具有混沌特征，则确定出所述原始滑坡时间序列的延迟时间；

确定出所述原始滑坡时间所要嵌入的相空间的嵌入维数；

将所述延迟时间和所述嵌入维数代入到目标volterra级数模型，所述目标volterra级数模型迭代训练核函数的系数，当所述核函数的系数达到预设误差要求时，输出所述目标volterra级数模型的参数、所述核函数的系数、以及预测出的目标滑坡时间序列。

2.根据权利要求1所述的方法，其特征在于，所述判断所述原始滑坡时间序列是否具有混沌特征，包括：

计算所述原始滑坡时间序列的最大Lyapunov指数；

判断所述最大Lyapunov指数是否大于零，若是，则确定所述原始滑坡时间序列具有混沌特征。

3.根据权利要求2所述的方法，其特征在于，所述计算所述原始滑坡时间序列的最大Lyapunov指数，包括：

找到相空间中每个点X(t)的最近邻点并限制短暂分离，即

其中，且

对相空间中每个点X(t)，计算在i个离散时间步之后相应领域点对的距离dt(i)，

设相空间中的邻近点对X(t)与之间距离变化的指数发散率为λ，即dt(i)＝Cte^λ(i·Δt),Ct＝dt(0)；取对数后得到ln dt(i)＝ln Ct+λ(i·Δt)；

对每个i求出所有t的ln dt(i)平均x(i)，即：

q为非零dt(i)的数目，在x(i)～i有线性关系的区域内用最小二乘法作回归直线，所述回归直线的斜率即为所述最大Lyapunov指数，所述最大Lyapunov指数用λ表征。

4.根据权利要求3所述的方法，其特征在于，所述确定出所述原始滑坡时间序列的延迟时间，包括：

将原始滑坡时间序列{X(t),t＝1,2,3,…,n}代入自相关函数计算公式：

rτ表示延迟时间为τ时的自相关系数，是序列均值，τ是延迟时间；先确定所述原始滑坡时间序列的自相关函数，然后做出所述自相关函数关于延迟时间τ(τ＝1,2,3,…)的图像，在图像分析得出，当所述自相关函数下降到初始值的1-1/e时，此时的时间就是所述延迟时间τ。

5.根据权利要求4所述的方法，其特征在于，所述确定出所述原始滑坡时间所要嵌入的相空间的嵌入维数，包括：

计算出所述原始滑坡时间的关联维数；根据所述关联维数，确定出所述原始滑坡时间所要嵌入的相空间的嵌入维数。

6.根据权利要求5所述的方法，其特征在于，所述确定出所述原始滑坡时间所要嵌入的相空间的嵌入维数，具体包括：

调用GP算法中的下述公式，

其中H(x)是Heaviside函数，且：

式中r为任意给定的实数，Yi为原始序列，Yj为重构后的序列，任意两个向量之差的绝对值记为rij＝|Yi-Yj|；

在r的预设范围内，获取lnC(n,r)～ln(r)的曲线，确定出该曲线的最佳拟合直线，将所述最佳拟合直线的斜率确定为关联维数D；

增加N的值，当关联维数D达到最大值时，将此时的N确定为嵌入维数m。

7.根据权利要求6所述的方法，其特征在于，所述将所述延迟时间和所述嵌入维数代入到目标volterra级数模型，包括：将所述延迟时间τ和所述嵌入到下述的所述目标volterra级数模型的公式中：

8.一种新的时间序列的预测装置，其特征在于，包括：

接收模块，用于接收输入的原始滑坡时间序列{X(t),t＝1,2,3,…,n}；

判断模块，用于判断所述原始滑坡时间序列是否具有混沌特征；

延迟时间计算模块，用于若所述原始滑坡时间序列具有混沌特征，则确定出所述原始滑坡时间序列的延迟时间；

嵌入维数计算模块，用于确定出所述原始滑坡时间所要嵌入的相空间的嵌入维数；

分析预测模块，用于将所述延迟时间和所述嵌入维数代入到目标volterra级数模型，所述目标volterra级数模型迭代训练核函数的系数，当所述核函数的系数达到预设误差要求时，输出所述目标volterra级数模型的参数、所述核函数的系数、以及预测出的目标滑坡时间序列。

9.一种电子设备，其特征在于，其包括：

处理器；以及

存储器，配置用于存储机器可读指令，所述指令在由所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项所述的时间序列的预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的时间序列的预测方法。