详情

原文传递一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法

专利名称：	一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法
摘要：	本发明公开一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法，涉及数据分析预测技术领域；基于ARMA方法的时间序列预测模型和基于时间序列分解的时间序列预测模型，通过对上述两种模型的融合，对整个时间序列进行拟合，不仅对时间序列的整体变化走势有良好的预测，还将时间序列分解成趋势、周期、余项三部分，将时间序列的趋势和周期性刻画出来，再进行加权求出最终融合后的结果，通过此种方法可以结合两种方法的优势提高准确率，进而对未来时间的数据进行可靠预测，提高预测结果精确性和鲁棒性。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	济南浪潮高新科技投资发展有限公司
发明人：	安程治;李锐;段强
专利状态：	有效
申请日期：	2019-05-29T00:00:00+0800
发布日期：	2019-08-30T00:00:00+0800
申请号：	CN201910455934.7
公开号：	CN110182520A
代理机构：	济南信达专利事务所有限公司
代理人：	孙晶伟
分类号：	B65G1/04(2006.01);B;B65;B65G;B65G1
申请人地址：	250100 山东省济南市高新区孙村镇科航路2877号研发楼一楼
主权项：	1.一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法，其特征是收集钢卷仓储吞吐量的历史数据并构成时间序列数据，对时间序列数据的平稳性进行检验，对非平稳时间序列数据进行平稳性处理，利用ARMA模型对处理后获得的平稳时间序列数据进行拟合，获得ARMA模型的预测数据，同时利用时间序列分解模型对时间序列数据进行分解，分解成趋势数据、周期数据和余项数据，时间序列分解模型对趋势数据进行拟合，并结合对应的周期数据，获得时间序列分解模型的预测数据，对ARMA模型的预测数据和时间序列分解模型的预测数据进行评估，并根据评估结果确定ARMA模型和时间序列分解模型的权重，得到预测结果。 2.根据权利要求1所述的预测方法，其特征是利用单位根检验的方法对时间序列数据的平稳性进行检验。 3.根据权利要求2所述的预测方法，其特征是平稳性检验过程为：利用adfuller函数，假设检验的时间序列数据具有单位根，在adfuller函数中输入时间序列数据后，得到的结果中若给定的置信水平显著，则时间序列数据为平稳时间序列数据，若给定的置信水平不显著，则时间序列数据为非平稳时间序列数据。 4.根据权利要求1-3任一所述的预测方法，其特征是利用差分法或者平滑法或者对数变换法对非平稳的时间序列数据进行平稳性处理。 5.根据权利要求4所述的预测方法，其特征是利用ARMA模型对处理后获得的平稳时间序列数据进行拟合，根据处理后获得的平稳时间序列数据的自相关系数和偏相关系数确定拟合阶数。 6.根据权利要求1或5所述的预测方法，其特征是利用ployfit函数对趋势数据进行多项式拟合，并结合对应的周期数据，获得时间序列分解模型的预测数据。 7.根据权利要求6所述的预测方法，其特征是利用均方误差对ARMA模型的预测数据和时间序列分解模型的预测数据进行评估，进行评估，并根据均方误差评估结果确定ARMA模型和时间序列分解模型的权重，得到预测结果。 8.一种基于融合时序预测模型的钢卷仓储吞吐量的预测工具，其特征是包括收集单元、检验单元、ARMA模型预测单元、时间序列分解模型预测单元和评估单元，收集单元收集钢卷仓储吞吐量的历史数据并构成时间序列数据，将时间序列数据发送给检验单元和时间序列分解模型预测单元，检验单元对时间序列数据的平稳性进行检验，对非平稳时间序列数据进行平稳性处理，检验单元将平稳时间序列数据发送给ARMA模型预测单元， ARMA模型预测单元利用ARMA模型对处理后获得的平稳时间序列数据进行拟合，获得ARMA模型的预测数据，将ARMA模型的预测数据发送给评估单元，时间序列分解模型预测单元同时利用时间序列分解模型对时间序列数据进行分解，分解成趋势数据、周期数据和余项数据，时间序列分解模型对趋势数据进行拟合，并结合对应的周期数据，获得时间序列分解模型的预测数据，将时间序列分解模型的预测数据发送给评估单元，评估单元对ARMA模型的预测数据和时间序列分解模型的预测数据进行评估，并根据评估结果确定ARMA模型和时间序列分解模型的权重，得到预测结果。
所属类别：	发明专利