基于ARIMA模型和用户调控的动态方差实时报警方法技术

本发明专利技术公开了一种基于ARIMA模型和用户调控的动态方差实时报警方法，所述方法包括以下步骤：纵向预测得到T个数据采集周期的预测数据同时记录真实数据X；横向预测得到当前周期中对应时段的方差根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值；当大于动态阈值时，触发预警装置。本发明专利技术采用ARIMA时间序列预测模型，为动态方差预警机制提供了可靠的预测结果，提高了预警机制的预警正确率；本发明专利技术降低了由于环境变化从而导致正常数据波动而带来的预警失误率，即预警效率不受外界环境的影响；本发明专利技术解决了固定阈值带来的预警不及时和错误预警等问题；适用于各类实时监测系统和安全性要求较高的生产和生活环境。

Real time alarm method for dynamic variance based on ARIMA model and user control

The invention discloses a real-time alarm method of dynamic ARIMA model and variance based on the control of the user, the method comprises the following steps: longitudinal forecast data of T data acquisition cycle and recording X data; transverse predicted current cycle corresponding variance according to each time user gives the weights and variance of linear combination of dynamic threshold based on dynamic variance; when is larger than the dynamic threshold, triggering warning device. The invention adopts the ARIMA prediction model of time series, provides reliable predictions for the dynamic variance of the early warning mechanism, improve the early warning mechanism of early warning accuracy; the invention reduces the error warning caused due to environmental changes resulting in normal fluctuations in the data rate, the warning efficiency is not influenced by the external environment; the invention solves the problems of the fixed threshold caused by warning in a timely manner and error warning; suitable for real-time monitoring system for all types of safety requirements and higher production and living environment.

【技术实现步骤摘要】

本专利技术涉及生产安全需求领域，尤其涉及一种基于ARIMA模型和用户调控的动态方差实时报警方法。
技术介绍
随着光栅力热复合仪在电力、航空航天、石油、医疗、生命科学等领域的不断推广，人们越来越看好这一仪器在各行各业的应用前景。光栅力热复合仪以高稳定性、高敏感性、高集成性以及占用体积小、易于改装等特点击败了市场上同类型产品。然而，在石油桶中的压力监控、石油温度监控以及在航空材料的应变监控等应用中，如何选取一个灵活的、可调控的阈值一直成为困扰用户的难题。阈值选取的过大，不能达到实时预警的效果，甚至会因没能及时报警而延误最佳处理时间，最终导致被监控对象的不可逆性破坏。阈值选择过小，会过度报警，带来不必要的恐慌。对于一般系统而言，无论用户如何确定阈值，该值在整个监控过程中都是固定不变的。然而，固定阈值显然是不合理的，因为随着环境的变化，导致阈值范围波动，而固定的阈值显然不能达到准确预警的目的。
技术实现思路
本专利技术提供了一种基于ARIMA模型和用户调控的动态方差实时报警方法，本专利技术为动态方差预警机制提供了可靠的预测结果，提高了预警机制的预警正确率，详见下文描述：一种基于ARIMA模型和用户调控的动态方差实时报警方法，所述方法包括以下步骤：纵向预测得到T个数据采集周期的预测数据同时记录真实数据X；横向预测得到当前周期中对应时段的方差根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值；当大于动态阈值时，触发预警装置。所述纵向预测得到T个数据采集周期的预测数据的步骤具体为：1)根据当前周期的不同时段的数据，建立满足各个时段的ARIMA(p,d,q)时间预测模型，包括确定合适的p,d,q参数；2)根据建立的ARIMA(p,d,q)时间预测模型，预测出T个采样周期的预测数据所述横向预测得到当前周期中对应时段的方差的步骤具体为：1)计算当前周期的前n个周期与当前周期对应的同一时段所有真实数据的方差；2)建立ARIMA(p,d,q)时间预测模型，包括确定合适的p,d,q参数；3)根据时间预测模型预测下一周期的方差值。本专利技术提供的技术方案的有益效果是：1、本专利技术采用ARIMA时间序列预测模型，为动态方差预警机制提供了可靠的预测结果，提高了预警机制的预警正确率；2、本专利技术降低了由于环境变化从而导致正常数据波动而带来的预警失误率，即预警效率不受外界环境的影响；3、本专利技术解决了固定阈值带来的预警不及时和错误预警等问题；4、本专利技术适用于各类实时监测系统和安全性要求较高的生产和生活环境。附图说明图1为本专利技术的总体架构图；图2为本专利技术的工作流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实施例1为了解决上述问题，本专利技术实施例以ARIMA(p,d,q)预测模型为基石，设计出了一种适用于各个行业的动态方差预警机制，参见图1和图2，该方法包括以下步骤：101：将一个周期根据数据特点分为不同的具有相同特点的时间段，利用每一时段的数据特点来确定预测模型中的p,d,q等参数；其中，p为自回归的阶数、q为移动平均的阶数，以及d为差分的阶数。102：在每一个时间段上建立不同的预测模型；通过该步处理能减小在所有时间段上建立一个预测模型产生的误差。103：将整个预警机制设计为两个小的预测子系统S1和S2，以及一个比较系统C。其中，这两个预测子系统都是基于ARIMA(p,d,q)时间序列的预测模型，不同的是，预测子系统1：用于纵向预测得到T个数据采集周期的预测数据预测子系统2：用于横向预测得到当前周期中对应时段的方差比较系统C：用于根据用户赋予的各个时段的权值和预测子系统2传递过来的方差预测值，进行线性组合得到基于动态方差的预警阈值，若出现跨时段的情况，则需要先按比例分配然后再结合用户赋予的权值进行线性组合。其中，阈值的产生是由系统S2和用户指定的权值线性组合之后生成，这一阈值是关于方差的线性组合，是随时间动态变化的，故称之为动态方差。因此，这一阈值的选取适用于环境变化从而导致正常数据波动的情况，完全避免了由用户指定的固定阈值带来的问题，从而提高预警的准确性和实时性。综上所述，本专利技术实施例降低了由于环境变化从而导致正常数据波动而带来的预警失误率，解决了固定阈值带来的预警不及时和错误预警等问题。实施例2下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：201：将一个周期内的数据进行划分，划分为具有相同特点的不同时段；202：设计预测子系统S1，步骤如下：1)根据当前周期的不同时段的数据，建立满足各个时段的ARIMA(p,d,q)时间预测模型，包括确定合适的p,d,q参数；2)根据第1)步中建立的ARIMA(p,d,q)时间预测模型，预测出T个采样周期的预测数据并同时记录这T个采样周期的真实数据X；3)计算203：设计预测子系统S2，步骤如下：1)计算当前周期的前n个周期与当前周期对应的同一时段所有真实数据的方差；2)根据第1)步计算的方差建立ARIMA(p,d,q)时间预测模型，包括确定合适的p,d,q参数；3)根据第2)步中建立的时间预测模型预测下一周期(也就是当前周期)的方差值。204：确定动态阈值；根据步骤203中的第3)步中预测的方差值、与用户指定的权值线性组合得到阈值。205：比较和步骤204确定的动态阈值，若前者较大，则触发预警装置；否则，不触发预警装置，转向下一预警监控中。综上所述，本专利技术实施例降低了由于环境变化从而导致正常数据波动而带来的预警失误率，解决了固定阈值带来的预警不及时和错误预警等问题。实施例3下面结合具体的计算公式、实例对实施例1和2中的方案进行进一步地介绍，详见下文描述：预测子系统1：根据每个周期的数据特点，不妨假设每一个周期采集的数据可以分为A,B,C,D四个时间段，数据的展示形式如表1所示：表1其中，表1中NA、NB、NC、ND分别表示每一周期的不同时段A,B,C,D内的数据采集次数；n1、n2...nn表示当前周期n0的前n次周期的数据；xijk表示当前周期之前的第i个周期内的第j个时段的第k次采集得到的数据；i＝0时表示为当前周期的数据，i＝1时表示当前周期前第一个周期的数据，依次类推，i＝n时表示当前周期前第n个周期的数据；表1中数据区域内每一列从上到下是一时间序列，每一行从左到右是一时间序列。预测子系统1主要关注的是每一列从上到下的时间序列。不妨设每个时间段的时间序列分别为XA、XB、XC、XD，分别在各个时间段上建立ARIMA(p,d,q)时间序列预测模型。以时间段A上的数据为例，设序列为XA(XA1，XA2，…，XAn)，n＜NA，对数据进行差分处理，然后做Daniel平稳性检验直到数据变得平稳，并由此确定参数d，即差分的阶数。然后基于差分后的数据根据相关图和偏相关图或用选取的p,q的各种阶数形式进行试算，用AIC准则寻求最优模型，最终确定p,q参数。因而最后确定ARIMA的具体预测模型，如下：其中，Xt为时间序列，d为差分的阶数，wt为d阶差分后的平稳序列，ut为零均值，方差为δ的平稳白噪声，为对应项的系数。纵向预测(1)待预测的T个采集周期位于同一周期的同一时段，在该时间段内建立ARIMA(p,d,q)时本文档来自技高网...

【技术保护点】
一种基于ARIMA模型和用户调控的动态方差实时报警方法，其特征在于，所述方法包括以下步骤：纵向预测得到T个数据采集周期的预测数据同时记录真实数据X；横向预测得到当前周期中对应时段的方差根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值；当大于动态阈值时，触发预警装置。

【技术特征摘要】
1.一种基于ARIMA模型和用户调控的动态方差实时报警方法，其特征在于，所述方法包括以下步骤：纵向预测得到T个数据采集周期的预测数据同时记录真实数据X；横向预测得到当前周期中对应时段的方差根据用户赋予的各个时段的权值和方差线性组合得到基于动态方差的动态阈值；当大于动态阈值时，触发预警装置。2.根据权利要求1所述的一种基于ARIMA模型和用户调控的动态方差实时报警方法，其特征在于，所述纵向预测得到T个数据采集周期的预测数据的步骤具体为：1)根据当前周期的不同时段的数据，建立满足各个时...

【专利技术属性】
技术研发人员：张蕾，曾佳，刘美光，付钊，李悦，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12