基于時間序列預測模型適用性量化的預測模型選擇方法
【技術領域】
[0001] 本發明涉及時間序列預測模型適用性量化評價指標體系。屬于時間序列預測模型 預測領域。
【背景技術】
[0002] 對于時間序列預測而言，預測結果的評價十分重要，是預測模型針對當前時間序 列的適用性的一種量化描述方式。然而，現有的時間序列預測研宄中，大多采用單一或少量 的幾個指標對預測模型輸出的預測結果進行評價，評價角度較為單一，無法實現對預測模 型性能的全面、綜合的評價和描述。因此，需要構建一個時間序列預測模型適用性量化評價 指標體系，涵蓋不同的模型適用性評價角度、每個角度下涵蓋若干不同指標，構建一個較為 完備的指標體系，為全面的模型適用性評價奠定基礎。該研宄暫時處于空白狀態，因此本發 明創造主要為填補本空白而提出。
【發明內容】
[0003] 本發明是為了解決現有的時間序列特性預測方法對預測模型輸出的預測結果預 測角度單一，無法實現對預測模型性能的全面、綜合的預測，導致預測效果差的問題。現提 供基于時間序列預測模型適用性量化的預測模型選擇方法。
[0004] 基于時間序列預測模型適用性量化的預測模型選擇方法，所述方法是基于m個預 測模型實現的，它包括以下步驟：
[0005] 步驟一：根據每個預測模型的預測步長P、真實值xk和預測模型輸出結果％，獲得 各預測模型的誤差和預測效率，其中，誤差包括整體誤差、局部誤差、無量綱準則誤差和多 次試驗性能誤差，預測效率為對預測模型輸入時間序列到預測模型輸出結果所用的時間， 所用的時間越短，則預測模型效率越高；
[0006] 步驟二：根據預測需求，在m個預測模型中，結合步驟一獲得各預測模型的誤差和 預測效率，選取滿足預測需求的最優預測模型，若滿足預測需求的預測模型為一個預測模 型，則該預測模型為最優預測模型，若滿足預測需求的預測模型為多個預測模型，則將多個 預測模型兩兩進行預測能力差異性檢驗，獲得一個最優的預測模型。
[0007] 本發明的有益效果為：通過整體誤差、局部誤差、無量綱準則誤差、多次試驗性能 誤差和預測模型預測效率對m個預測模型進行誤差檢驗，在m個預測模型中選取誤差和預 測效率最優的預測模型，當某個預測模型的誤差和預測效率均最優，則該預測模型為最優 預測模型，當最優誤差的預測模型和最優預測效率的預測模型不同時，將不同的最優預測 模型進行預測能力差異性檢驗，從而獲得最優的預測模型。其中，對預測模型進行了 6個角 度的預測，其中共計27個預測指標，為全面的模型適用性評價提供基礎，建立了完善的評 價體系，實現對預測模型性能的全面、綜合的預測，同比現有的預測效果好5倍以上。
【附圖說明】
[0008] 圖1為【具體實施方式】一所述的基于時間序列預測模型適用性量化的預測模型選 擇方法的流程圖。
【具體實施方式】
【具體實施方式】 [0009] 一：結合圖1說明本實施方式，本實施方式所述的基于時間序列預 測模型適用性量化的預測模型選擇方法，所述方法是基于m個預測模型實現的，它包括以 下步驟：
[0010] 步驟一：根據每個預測模型的預測步長P、真實值xk和預測模型輸出結果毛，獲得 各預測模型的誤差和預測效率，其中，誤差包括整體誤差、局部誤差、無量綱準則誤差和多 次試驗性能誤差，預測效率為對預測模型輸入時間序列到預測模型輸出結果所用的時間， 所用的時間越短，則預測模型效率越高；
[0011] 步驟二：根據預測需求，在m個預測模型中，結合步驟一獲得各預測模型的誤差和 預測效率，選取滿足預測需求的最優預測模型，若滿足預測需求的預測模型為一個預測模 型，則該預測模型為最優預測模型，若滿足預測需求的預測模型為多個預測模型，則將多個 預測模型兩兩進行預測能力差異性檢驗，獲得一個最優的預測模型。
【具體實施方式】 [0012] 二：本實施方式是對一所述的基于時間序列預測模型 適用性量化的預測模型選擇方法作進一步說明，本實施方式中，步驟二中，將多個預測模型 兩兩進行預測能力差異性檢驗的過程：
[0013] 采用差異性檢驗Diebold-Mariano對兩個預測模型進行預測能力差異性檢驗，輸 出兩個結果，分別為Diebold-Mariano統計量和假設機率p-value，
[0014] 設兩個預測模型分別為第一預測模型和第二預測模型，當Diebold-Mariano統計 量為負，則第一預測模型的預測能力比第二預測模型的預測能力強；當Diebold-Mariano 統計量為為正，則第二預測模型的預測能力比第一預測模型的預測能力強；
[0015] 假設機率p-value小于0. 05,貝丨」兩個預測模型間差異明顯，
[0016] 假設機率p-value小于0. 01，則兩個預測模型間差異非常明顯。
[0017] 本實施方式中，通過整體誤差和局部誤差的計算結果，來評價預測模型的準確度， 通過多次試驗性能誤差的計算結果，來評價預測模型的精確率，通過預測模型輸出結果所 用的時間，來評價預測模型的計算效率，通過無量綱準則誤差的計算結果，來評價預測模型 的準確度和建模的復雜度，通過預測模型預測能力的檢驗結果，來評價預測模型間的預測 能力。
【具體實施方式】 [0018] 三：本實施方式是對一所述的基于時間序列預測模型 適用性量化的預測模型選擇方法作進一步說明，本實施方式中，整體誤差包括含符號絕對 誤差、無符號絕對誤差、含符號相對誤差和無符號相對誤差，
[0019] 含符號絕對誤差由平均誤差ME組成，
[0020] 平均誤差ME，用于預測預測模型的輸出結果相對于真實值偏大或偏小的平均程 度，
[0021] 步驟一中，根據每個預測模型的預測步長P、真實值xk和預測模型輸出結果％，獲 得各預測模型的平均誤差ME的過程為：
[0022] 根據公式：
[0024] 獲得平均誤差ME，
[0025] 式中，k表示預測時間序列的序號索引，取值范圍從1到P，表示第1個到第P個預 測點的序號，
[0026] 某個預測模型的平均誤差ME的絕對值相對其他預測模型的平均誤差ME的絕對值 大，表示該預測模型殘余的誤差相對其他預測模型殘余的誤差多，即該預測模型的預測結 果大于或者小于真實值；
[0027] 某個預測模型的平均誤差ME的絕對值相對其他預測模型的平均誤差ME的絕對值 小，則該預測模型的預測結果大于真實值和小于真實值的幾率相同，即沒有系統性預測偏 差；
[0028] 平均誤差ME越接近0,即相應預測模型均衡性越好；
[0029] 無符號絕對誤差包括均方誤差MSE、均方根誤差RMSE、對數均方誤差MSEL和平均 絕對誤差MAE，
[0030] 均方誤差MSE、均方根誤差RMSE、對數均方誤差MSEL和平均絕對誤差MAE，均用于 預測預測模型的輸出結果與真實值之間的偏差距離的平均數值，
[0031] MSE用于預測預測模型的輸出結果與真實值之間的偏差距離平方的平均數值， RMSE和MSE均用于預測預測模型的輸出結果與真實值之間的偏差距離的平均數值，MSEL用 于預測預測模型的輸出結果與真實值對數尺度下偏差距離的平均數值；
[0032] 步驟一中，根據每個預測模型的預測步長P、真實值xk和預測模型輸出結果足，獲 得各預測模型的均方誤差MSE的過程為：
[0033] 根據公式：
[0035] 獲得均方誤差MSE;
[0036] 某個預測模型的均方誤差MSE的計算結果相對其他預測模型的計算結果大，則該 預測模型的預測結果與真實值的偏差大，即整體的偏差程度大，
[0037] 某個預測模型的均方誤差MSE的計算結果相對其他預測模型的計算結果小，則該 預測模型的預測結果與真實值的偏差小，即預測結果接近真實值，
[0038] 均方誤差MSE的計算結果取值為0,表明預測模型能夠給出完全準確的預測結果；
[0039] 步驟一中，根據每個預測模型的預測步長P、真實值xk和預測模型輸出結果毛，獲 得各預測模型的均方根誤差RMSE的過程為：
[0040] 根據公式：
[0042] 獲得均方根誤差RMSE;
[0043] 某個預測模型的均方根誤差RMSE的計算結果相對其他預測模型的計算結果大， 則該預測模型的預測結果與真實值的偏差大，即整體的偏差程度大，
[0044] 某個預測模型的均方根誤差RMSE的計算結果相對其他預測模型的計算結果小， 則該預測模型的預測結果與真實值的偏差小，即預測結果接近真實值，