一种基于小波变换的精细粒度自学集成预测方法

摘要

本发明公开了一种基于小波变换的精细粒度自学集成预测方法，该方法采用基于小波变换的时间序列分解，能针对不同粒度下的具有不同变异系数的时间序列进行预测，能更精准地揭示时间序列的变化规律；结合上述时间序列分解，对多个相关因素进行特征提取，充分捕捉主要影响因素，通过统计规律对未来趋势进行预测，具有快捷、简单的特点；同时采用基于模型聚合算法框架，并将其运用于回归过程，使模型取得了比单个基学器更好的鲁棒性；综合以上基于小波变换、SVR、Ensemble的复合模型进行预测，获得比现有单一模型更精确的预测性能。本发明作为一种基于小波变换的精细粒度自学集成预测方法可广泛应用于大数据挖掘及机器学技术领域。

主权项

一种基于小波变换的精细粒度自学习集成预测方法，其特征在于，包括有以下步骤：S1、采集预测变量及影响因素的历史数据，生成预测模型的数据集；S2、基于小波变换，将预测变量的时间序列分解为不同粒度下的时间序列的有限求和；S3、对不同粒度下的时间序列进行特征提取；S4、基于支持向量回归机，对不同粒度下的时间序列进行自学习及预测，并生成预测结果；S5、基于模型聚合算法构造一系列低相关性的基学习器，并赋予权重值将基学习器组合成集成学习器；S6、对预测模型进行性能评估，并对步骤S2和步骤S3的参数、特征选取进行修正；S7、通过步骤S6修正后的集成学习器作为最终的预测模块进行预测。