一种非平稳数据序列预测方法与流程

本发明涉及数据预测方法，具体是指一种非平稳数据序列预测方法。

背景技术：

1、时间序列数据是指同一种统计指标的数值按其发生时间先后排序而成的序列，用于描述现象随时间变化的情况，时间序列数据的预测涉及到社会、国家发展的方方面面；以经济数据为例进行说明，经济数据是一个国家和地区经济情况的体现，其中有很大一部分都是各种经济指标、生产资源在不同时间点上收集的数据，是典型的时间序列数据；这些数据中蕴藏了丰富的信息，如经济运行状态、未来发展趋势等；因此，对宏观经济数据进行研究，挖掘其中隐含的规律，并对未来趋势作科学预测，是十分有益的；它不仅能指导一个地区或国家对经济体制进行调整或改革，对于企业进行生产规划及个人进行投资而言，也有重要的参考价值；对于不平稳的时间序列数据单纯使用传统预测方法进行预测得到的结果非常不理想，目前非平稳数据序列很常见时间序列常用方法有数据拟合、回归分析、指数平滑法、arima等这些主要是针对线性或者较为规则的时序进行的分析。对于非平稳序列或者一些比较复杂且难以确定类型的数据传统的方法具有了一定的局限性。

技术实现思路

1、为解决上述技术问题，本发明提供的技术方案为：一种非平稳数据序列预测方法，包括以下步骤：

2、s1、小波分解根据原始信号序列长度，采用mallat算法，表示为：

3、

4、上式中：h、g分别为低通滤波器和高通滤波器；

5、将c0定义为原始信号x，可以分解为cj和d1，d2，…，dj，其中j为分解层数；

6、cj和dj分别为原始信号在分辨率2j下的逼近信号和细节信号；

7、s2、采用mallat算法进行小波分解，对分解后各层数据序列分别进行重构，重构后得到的高频细节信号和低频逼近信号；

8、s3、建立参数模型，描述序列的动态依赖关系；

9、s4、根据灰色系统理论，鉴别系统因素之间发展趋势的相异程度，即系统因素之间进行关联分析，并对重构后的低频逼近信号采用灰色预测gm(1,1)模型进行预测，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况；

10、s5、对重构后的高频细节信号采用arma模型进行预测把低频逼近信号和各层高频细节信号预测值相加得到非平稳数据序列预测值。

11、本发明与现有技术相比的优点在于：本发明运用小波分析理论、灰色预测理论和时间序列预测组合对非平稳数据序列进行预测的方法为原始非平稳数据序列的预测提供了一种新的工具和方法，在经济学、医学、工程建设研究过程中具有十分重要的作用，通过使用这种方法可以提高数据分析的准确性。

技术特征：

1.一种非平稳数据序列预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种非平稳数据序列预测方法，其特征在于，步骤s2中的重构算法表示为：

3.根据权利要求1所述的一种非平稳数据序列预测方法，其特征在于，步骤s3中的参数模型表示为：

4.根据权利要求1所述的一种非平稳数据序列预测方法，其特征在于，步骤s4中，根据灰色系统理论，设时间序列x(0)有n个观察值，x(0)＝{x(0)(1),x(0)(2),…,x(0)(n)}，通过累加生成新序列x(1)＝{x(1)(1),x(1)(2),…,x(1)(n)}，则灰色预测gm(1,1)模型相应的微分方程为：

技术总结
本发明公开了一种非平稳数据序列预测方法，包括小波分解根据原始信号序列长度，采用Mallat算法进行小波分解，对分解后各层数据序列分别进行重构，重构后得到的高频细节信号和低频逼近信号；建立参数模型，描述序列的动态依赖关系；本发明运用小波分析理论、灰色预测理论和时间序列预测组合对非平稳数据序列进行预测的方法为原始非平稳数据序列的预测提供了一种新的工具和方法，在经济学、医学、工程建设研究过程中具有十分重要的作用，通过使用这种方法可以提高数据分析的准确性。

技术研发人员：佟长福,李和平,郑和祥,曹雪松,王军,鹿海员,白巴特尔,张菲,邬佳宾,高海波,白儒军,苗怀仁,张晔,薛蓉,道格特其,王虎,刘志强,杨智,何锐,侯洪飞,宝音德力格尔
受保护的技术使用者：水利部牧区水利科学研究所
技术研发日：
技术公布日：2024/1/14