一种动态数据驱动的智能预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115964846A(43)申请公布日2023.04.14(21)申请号202211418570.3(22)申请日2022.11.14(71)申请人武汉轻工大学地址430000湖北省武汉市汉口常青花园学府南路68号(72)发明人陈为真(74)专利代理机构北京瑞盛铭杰知识产权代理事务所(普通合伙)11617专利代理师李绩(51)Int.Cl.G06F30/20(2020.01)G06Q10/04(2023.01)G06Q50/02(2012.01)G06Q50/26(2012.01)权利要求书1页说明书4页附图1页(54)发明名称一种动态数据驱动的智能预测方法(57)摘要本发明公开一种动态数据驱动的智能预测方法，包括以下步骤：S1、将动态数据进行预处理；S2、基于动态数据构建动态预测模型；S3、结合实测数据与预测数据对模型参数进行学习；S4、将学习后的模型参数运用于动态预测模型，获得预测值，所述建动态预测模型采用的软件为Python语言、R语言或MATLAB，所述对模型参数进行学习中通过实测值与预测值的误差进过多次迭代修正其模型参数，所述对模型参数进行学习可通过逆变换获得该段程序的下一个预测值。本发明有效针对动态系统数据量不足的情况，进行有效预测，确保预测精度在合理范围内波动；并不完全依赖训练动态数据构建预测模型，在一定程度上克服了预测中出现的过拟合现象。CN115964846ACN115964846A权利要求书1/1页1.一种动态数据驱动的智能预测方法，其特征在于，包括以下步骤：S1、将动态数据进行预处理；S2、基于动态数据构建动态预测模型；S3、结合实测数据与预测数据对模型参数进行学习；S4、将学习后的模型参数运用于动态预测模型，获得预测值。2.根据权利要求1所述的一种动态数据驱动的智能预测方法，其特征在于：所述建动态预测模型采用的软件为Python语言、R语言或MATLAB。3.根据权利要求1所述的一种动态数据驱动的智能预测方法，其特征在于：所述对模型参数进行学习中通过实测值与预测值的误差进过多次迭代修正其模型参数。4.根据权利要求1所述的一种动态数据驱动的智能预测方法，其特征在于：所述对模型参数进行学习可通过逆变换获得该段程序的下一个预测值。2CN115964846A说明书1/4页一种动态数据驱动的智能预测方法技术领域[0001]本发明涉及预测模型技术领域，具体为一种动态数据驱动的智能预测方法。背景技术[0002]系统云灰色预测模型(简称SCGM(1，h)预测模型)与拟申请的发明最相接近的现有预测模型。对于同类技术存在过拟合，预测精度波动大；对于动态系统，自适应能力弱，后期预测精度降低。发明内容[0003]本发明的目的在于提供一种动态数据驱动的智能预测方法，以解决上述背景技术中提出的问题。[0004]为实现上述目的，本发明提供如下技术方案：一种动态数据驱动的智能预测方法，包括以下步骤：[0005]S1、将动态数据进行预处理；[0006]S2、基于动态数据构建动态预测模型；[0007]S3、结合实测数据与预测数据对模型参数进行学习；[0008]S4、将学习后的模型参数运用于动态预测模型，获得预测值。[0009]所述建动态预测模型采用的软件为Python语言、R语言或MATLAB。[0010]所述对模型参数进行学习中通过实测值与预测值的误差进过多次迭代修正其模型参数。[0011]所述对模型参数进行学习可通过逆变换获得该段程序的下一个预测值。[0012]与现有技术相比，本发明的有益效果是：本发明通过滚动的分段的方式，运用少量数据进行有效预测，适合动态系统有效数据量有限的特性。其次，通过预处理后短时波形分析，初步构建预测模型，并获得其重要的两个参数。再次，运用模型参数学习算法，动态修正模型参数，生成智能预测模型，最后，通过预测数据后处理，获得该分段序列下一个数据的预测值。该方法有效针对动态系统数据量不足的情况，进行有效预测，确保预测精度在合理范围内波动；并不完全依赖训练动态数据构建预测模型，在一定程度上克服了预测中出现的过拟合现象。附图说明[0013]图1为本发明的流程图；[0014]图2为本发明实施例的全国粮食产量实际与预测对比表。具体实施方式[0015]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于3CN115964846A说明书2/4页本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0016]请参阅图1‑2，本发明提供一种技术方案：一种动态数据驱动的智能预测方法，S1、设采集的粮食产量序列为X＝