正方向 各个区间落的点数目。若m为偶数，用一个l*(m+l)维的向量记录每个区间内点的个数。1~m/ 2代表坐标负方向各个区间落的点数目。m/2+l代表落在坐标原点的点数目。m/化2~m+1代表 坐标正方向各个区间落的点数目。
[0026] (C-4)将步骤(b-3)的向量对应到预先定义的12种类型中的一种。7次作差得到7个 类型值。 作为实例，所述12种类型为： 1).数据有异常：当天预测数据不存在或为无效值。
[0027] 2).第一项为 m。
[002引3).左边即1~m/2有大于m/2的区间，类型2与3有重叠，规则是若能为2则判断为2， 否则为3。
[0029] 4).中间即m/化1的数大于m/2。
[0030] 5).右边即m/2+2~m或m/2+2~m+1有大于26的区间。
[0031 ] 6).左右分布较平均，运里队11=51为例，如图la。
[0032] 7).左均匀型（即左边分布偏多，且在左边分布均匀），如图化。
[0033] 8).右均匀型（即右边分布偏多，且在右边分布均匀），如图1C。
[0034] 9).左左型（左边分布偏多，而在左边的分布状态是左边偏多的）。
[00巧]10).左右型（即左边分布偏多，而在左边的分布状态是右边偏多的），如图Id。
[0036] 11).右左型，如图le。
[0037] 12).右右型，如图If。
[0038] 上述集合预测的智能选择方法中，步骤(d)中，对于步骤k)的结果，W减去实际值 的类型为作为结果，其他6个类型组合成为一个编码，统计期间的所有编码和结果的对应情 况，可看做为一个矩阵，行对应不同的编码，列数为12,代表12种结果，矩阵内的数字代表某 行的编码出现某列的结果的次数。
[0039] 上述集合预测的智能选择方法，步骤(e)中，验证历史数据时，对于一组预测数据， 做步骤(b)除了减去实际值的处理，然后进行编码。查询步骤(d)统计的矩阵的结果，找出可 能的减去实际值的分布类型。依据就是编码对应的行中计数最大的前3个数对应的列。根据 分布类型，在多个预测数据中找出3个对比实际值的误差最小的预测数据。由于实际值已 知，计算出每组预测数据中与实际值误差最小的，验证它在不在步骤(e)使用本方法找出的 3个预测值中。若在则代表本方法正确。
[0040] 预测未来情况时，实际值是未知的，用本发明提供的方法可找到预测数据中3个可 能的对比实际值的误差最小的预测数据。 3个预测数据的选取如表1所示。
[0041] 表 1
本发明读取历史集合预测数据和实际值;对于一次预测的多个预测数据，分别将它与 其中的最大值、最小值、平均数、中位数、25分位点和75分位点进行7次作差;预先定义作差 结果的分布有12种分布类型，得到每天7次作差对应的12种类型中的一种;将其中减去实际 降雨的类型为作为结果，其他6个类型组合成为一个编码，统计期间的所有编码和结果的对 应情况，对预测数据进行了分类;最后验证方法有效性，用已有数据进行验证，同时用于未 来的预测选择工作。
【主权项】
1. 集合预测的智能选择方法，其特征在于，包括以下步骤： 读取集合预测数据和每次对应的实际值； 将预测数据看为一个无序向量，分别将实际值、预测数据的最大值、最小值、平均数、中 位数、25分位点和75分位点这7个数跟预测数据进行7次作差； 预先定义(b)中每次作差结果的分布有12种分布类型，得到每次作差对应的12种类型 中的一种； 将(c)中减去实际值的类型作为结果，其他6个类型组合成为一个编码，统计编码和结 果的对应情况； 验证方法有效性，用已有数据进行验证。2. 根据权利要求1所述集合预测的智能选择方法，其特征在于:步骤(a)中，预测数据分 时间段给出，一段时间间隔给出一组预测数据;相对应的实际值为实际发生的情况，能通过 测量得到。3. 根据权利要求1所述集合预测的智能选择方法，其特征在于:步骤(b)中，将预测数据 的最大值、最小值、平均数、中位数、25分位点和75分位点与预测数据向量作差，因为这6个 数能反映一组数据的分布情况；同时，将步骤(a)读取的实际值也与预测数据作差;作差结 果仍为一维向量;所述7次作差得到7个一维向量;25分位点代表一组数据中的某个数，使得 数据总数的25%的数小于这个数，中位数就是50分位点，75分位点代表代表一组数据中的某 个数，使得数据总数的75%的数小于这个数。4. 根据权利要求1所述集合预测的智能选择方法，其特征在于:步骤(c)包括以下步骤： (c-Ι)对于作差结果的一维向量假设其维度为l*m，将其按大小排序，无序数据变为有 序，对应到坐标轴上； (c-2)假设一维向量中绝对值最大的为X，以0为坐标原点，2*x/m为间隔把坐标轴正 负方向分别划分为m/2个区间，总共m个区间； (c-3)若m为奇数，用一个1 *m维的向量记录每个区间内点的个数；1 ~m/2代表坐标负方 向各个区间落的点数目；m/2+l代表落在坐标原点的点数目；m/2+2~m代表坐标正方向各个 区间落的点数目；若m为偶数，用一个l*(m+l)维的向量记录每个区间内点的个数；l~m/2代 表坐标负方向各个区间落的点数目；m/2+l代表落在坐标原点的点数目；m/2+2~m+l代表坐 标正方向各个区间落的点数目； (c-4)将步骤(c-3)的向量对应到预先定义的12种类型中的一种，7次作差得到7个类型 值。5. 根据权利要求1所述集合预测的智能选择方法，其特征在于：步骤(d)中，对于步骤 (c)的结果，以减去实际值的类型为作为结果，其他6个类型组合成为一个编码，统计期间的 所有编码和结果的对应情况，记入一个矩阵中。6. 根据权利要求1所述集合预测的智能选择方法，其特征在于:对于一组预测数据，实 际值未知，执行步骤(b)除了减去实际值的处理，然后进行编码;查询步骤(d)统计的矩阵的 结果，找出可能的减去实际值的分布类型;根据分布类型，在多个预测数据中找出3个对比 实际值的误差最小的预测数据;集合预测中，每组预测数据的个数显著大于3。7. 根据权利要求6所述集合预测的智能选择方法，其特征在于:该智能选择方法既能用 历史数据进行验证，也能用于处理新的数据;在已知实际值的历史数据中，找出每次的预测 数据中与对应的实际值的误差最小的，验证它在不在步骤(e)使用本方法找出的3个预测值 中；在实际值未知的未来的时间段，用该智能选择方法找到其中3个可能的对比实际值的误 差最小的预测数据。
【专利摘要】本发明提供了一种集合预测的智能选择方法，集合预测提供对某一数量值的多个预测，多个预测组成一个一维无序向量，目的在于尽可能准确地预测出实际的值。集合预测的智能选择方法对历史数据进行分类统计，然后将分类统计的信息进行保存，接下来通过对比统计信息对集合预测的准确性进行评估，目的是从中选择准确的预测。本发明在集合预测数据无序的前提下，对这些集合预测数据进行处理，选择出可能的与实际值误差最小的预测数据。
【IPC分类】G06F19/00
【公开号】CN105447320
【申请号】CN201510895823
【发明人】黄翰, 潘一佩
【申请人】华南理工大学
【公开日】2016年3月30日
【申请日】2015年12月7日