一种基于时态联动挖掘的时间序列预测方法及其装置制造方法及图纸

本发明专利技术公开了一种基于时态联动挖掘的时间序列预测方法及其装置。方法用于挖掘类似规则：如果A时间序列大涨(或大跌)，那么k个时间期后B时间序列大涨(或大跌)的概率为x％。方法分为两个阶段。在规则挖掘阶段，针对所有时间序列的每时间期涨跌幅数据，经过简单量化后，统计不同时间序列之间在间隔的一小段时间期内联动大涨或大跌的次数，同时计算出现该联动的支持度和置信度，最后生成联动规则。在规则应用阶段，每时间期根据每只时间序列的涨跌情况进行触发生成，生成的规则分为大涨正面、大涨反面、大跌正面、大跌反面四种类型。方法为时间序列的短期预测提供了一种新方法，改进了传统预测方法的不足，提高了准确性。

A time series prediction method and its device based on temporal linkage mining

【技术实现步骤摘要】
一种基于时态联动挖掘的时间序列预测方法及其装置
本专利技术涉及大数据挖掘
，尤其是涉及一种基于时态联动挖掘的时间预测方法及其装置。
技术介绍
时间序列就是一组按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周、月等。如果你是一个股民，某只股票的股价就是一类时序数据，其记录着每个时间点该股票的股价。如果你是一个运维人员，监控数据是一类时序数据，例如对于机器的CPU的监控数据，就是记录着每个时间点机器上CPU的实际消耗值。另外还有用电量时间序列、电商销售量时间序列、脑电时间序列、气温时间序列等等。时间序列的分析预测问题一直是一个研究热点。采用时间序列分析进行预测时需要用到一系列的模型，这种模型统称为时间序列模型。在使用时间序列模型时，总是假定某一数据变化模式或某一种组合模式会重复发生。因此需要首先识别出这种模式，然后采用外推的方式进行预测。依据其建模理论不同,可将这些预测模型划分为两个大类:一类是以统计原理为基础的传统型波动率预测模型,目前较为流行且具有代表性的模型包括ARCH模型和SV模型；另一类是以神经网络、灰色理论、支持向量机等为基础的创新型预测模型。这两类模型在进行预测时各有特点,但其预测的准确度仍有待提高。
技术实现思路
本专利技术公开了一种基于时态联动挖掘的时间序列预测方法及其装置。方法是一种针对多个时间序列进行短期预测的方法，方法可以应用于各种常规的时间序列的短期预测，比如应用于天气时间序列，则可以对短期的天气走势进行更加有效的预测；应用于电量使用的时间序列，则可以对接下来的电量使用情况做出预测。方法用于挖掘类似的规则：如果A时间序列大涨(或大跌)，那么k个时间期后B时间序列大涨(或大跌)的概率为x％。方法分为两个阶段：规则挖掘阶段和规则应用阶段。假设有n个时间序列，在规则挖掘阶段，针对所有时间序列的每时间期涨跌幅数据，经过简单量化后，统计不同时间序列之间在间隔的一小段时间期内联动大涨或大跌的次数，同时计算出现该联动的支持度和置信度，最后生成联动规则。在规则应用阶段，每时间期根据每只时间序列的涨跌情况进行触发生成，生成的规则分为大涨正面、大涨反面、大跌正面、大跌反面四种类型。方法为时间序列的短期预测提供了一种新方法，同时也改进了传统预测方法的不足，提高了准确性。最后对上述提出的方法通过计算机系统进行了实现，并形成装置，以供对用户输入的时间序列进行预测。其中，装置中对提出方法的集成仅需“规则应用阶段”的部分内容，而“规则挖掘阶段”是训练过程，不需要集成到系统装置中。假设多时间序列的列表为S,S＝[S1,S2,…,Si,…,Sn],n为总的时间序列的数量，本专利技术方法分为两个阶段，规则挖掘阶段和规则应用阶段。具体步骤如下：一、规则挖掘阶段(1)对基础统计数据及映射数据进行准备；(2)加载大涨和大跌的时间序列数据，并各自填充到二维统计数组里面；(3)基于统计数组进行时态间隔时间为1时间期、2时间期和3时间期的联动统计，包括大涨联动统计和大跌联动统计；(4)基于联动统计结果，挖掘生成大涨的正反面规则和大跌的正反面规则。二、规则应用阶段(5)加载每日大涨时间序列的涨幅，搜索应用大涨的正反面规则，生成联动规则结果；(6)加载每日大跌时间序列的跌幅，搜索应用大跌的正反面规则，生成联动规则结果。其中，步骤(1)的基础统计数据是指每只时间序列的大涨次数、大跌次数和历史时间期的总次数；映射数据是指时间序列与编号的双向哈希映射表：Hash(Series:ID)和Hash(ID:Series)；交易日期与编号的双向哈希映射表：Hash(Date:ID)和Hash(ID:Date)。其中，步骤(2)的对二维统计数组的填充，是指以所有时间序列的数量和所有时间期的数量交叉形成两个二维数组StatUp和StatDown，而后根据每只时间序列大涨的出现日期在StatUp数组的相应位置填1，根据每只时间序列大跌的出现日期在StatDown数组的相应位置填1，其余位置填0。其中，步骤(3)的联动统计分为大涨联动统计和大跌联动统计。基于StatUp数组，进行时态间隔时间为1时间期、2时间期和3时间期的大涨联动统计，基本过程是对于每一行，即每只时间序列，逐位扫描StatUp数组，在碰到1的时候，对该列位置的前1、2、3列分别进行竖方向的扫描，并分别对1出现的个数进行统计累加，最后计算该时间序列与其他各时间序列大涨联动统计的支持度和置信度；大跌联动统计基于StatDown数组，其计算过程类似大涨联动统计。其中，步骤(4)的规则生成，在设定参数最小支持度minSupport、最小置信度minConfidence和最少时间期次数minPeriodCount参数、最大置信度maxConfidence后，大涨正面规则是指对于每只时间序列获取支持度大于minSupport，置信度大于minConfidence，出现时间期数大于minPeriodCount的元组；大涨反面规则是指支持度大于minSupport，置信度小于maxConfidence，出现时间期数大于minPeriodCount的元组；大跌正面规则是指支持度大于minSupport，置信度大于minConfidence，出现时间期数大于minPeriodCount的元组；大跌反面规则是指支持度大于minSupport，置信度小于maxConfidence，出现时间期数大于minPeriodCount的元组。其中，步骤(5)在应用大涨的正反面规则，进行联动结果的生成过程中，由于是要生成规则右边涉及时间序列的挖掘结果，因此对于每只时间序列的代码，是通过匹配规则右边的时间序列来获取规则左边所有相关的时间序列代码，然后判断这些相关时间序列代码是否在当前时间期大涨了，以此来确定规则是否适用。如果适用成功，则输出相应联动规则。其中，步骤(6)在应用大跌的正反面规则，进行联动结果的生成过程中，由于是要生成规则右边涉及时间序列的挖掘结果，因此对于每只时间序列的代码，是通过匹配规则右边的时间序列来获取规则左边所有相关的时间序列代码，然后判断这些相关时间序列代码是否在当前时间期大跌了，以此来确定规则是否适用。如果适用成功，则输出相应联动规则。附图说明图1是本专利技术基于时态联动挖掘的时间序列预测方法及其装置的流程图。上半部分为规则的挖掘过程，即训练过程，下半部分为规则的应用过程。整个系统装置由输入、模型处理逻辑、输出构成。模型处理逻辑装置仅需一段时间周期训练一次，即可频繁用于短期的预测。图2是基于本专利技术方法，以多股票时间序列应用为例，输出的某一股票近期的大涨正面规则。图3是基于本专利技术方法，以多股票时间序列应用为例，输出的某一股票近期的大涨反面规则。图4是基于本专利技术方法，以多股票时间序列应用为例，输出的某一股票近期的大跌正面规则。图5是基于本专利技术方法，以多股票时间序列应用为例，输出的某一股票近期的大跌反面规本文档来自技高网...

【技术保护点】
1.一种基于时态联动挖掘的时间序列预测方法及其装置，其特征在于所述方法包括如下步骤：/n方法分为两个阶段，规则挖掘阶段和规则应用阶段，/n一、规则挖掘阶段/n(1)对基础统计数据及映射数据进行准备；/n1.1获取所有时间序列的列表，并为每只时间序列从0开始进行顺序编号，形成时间序列与编号的哈希映射表Hash(Series:ID)，和编号与时间序列的哈希映射表Hash(ID:Series)；/n1.2获取某个最长时间序列某个时间期以来所有时间期，并对时间期从小到大排序后，从0开始顺序编号，形成时间期与编号的哈希映射表Hash(Date:ID)，和编号与时间期的哈希映射表Hash(ID:Date)；/n1.3获取每只时间序列在历史的大涨次数和大跌次数，形成时间序列与大涨次数的哈希映射表Hash(Series:UpCount)，和时间序列与大跌次数的哈希映射表Hash(Series:DownCount)；/n获取每只时间序列的总次数，形成时间序列与总次数的哈希映射表Hash(Series:Count)；/n(2)加载大涨和大跌的时间序列数据，并各自填充到二维统计数组里面；/n2.1定义两个二维统计数组:StatUp[n,m]和StatDown[n,m]，其中n代表所有时间序列的数量，m代表最长时间序列某段时间以来总的时间期的数量；/n2.2获取每只时间序列大涨的时间期，以1填充StatUp[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大涨的时间期后，通过Hash(Series:ID)获取行编号，通过Hash(Date:ID)获取列编号，最后设置StatUp数组的行列编号对应位置为1，其余位值设置为0；/n2.3获取每只时间序列大跌的时间期，以1填充StatDown[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大跌的时间期后，通过Hash(Series:ID)获取行编号，通过Hash(Date:ID)获取列编号，最后设置StatDown数组的行列编号对应位置为1，其余位值设置为0；/n(3)基于统计数组进行时态间隔时间为1时间期、2时间期和3时间期的联动统计，包括大涨联动统计和大跌联动统计；对StatUp和StatDown两个数组分别进行时态联动统计，时态间隔时间仅取3种情况：间隔1时间期，间隔2时间期，间隔3时间期；/n3.1大涨联动统计：分别对时态间隔时间的3种情况进行大涨的联动统计，具体为：/na.设置3个一维跟踪数组Stat1[n]、Stat2[n]、Stat3[n]，n为所有时间序列的数量；/nb.对于StatUp中的每一行，逐位进行扫描，如果位值为1，则进入下一步，否则跳过；/nc.获取该1位置所对应的列编号，对该列位置减1，减2和减3的三列进行竖的扫描，如果位值为1，则将该值累加统计到跟踪数组中；列位置减1，减2和减3的三列的扫描统计数据分别记录到Stat1[n]、Stat2[n]、Stat3[n]；跟踪数组的每行实际上是与每只时间序列一一对应的；/nd.计算支持度和置信度；对于3个跟踪数组的每一行，通过Hash(ID:Series)获取时间序列代码，通过Hash(Series:UpCount)获取大涨次数，通过Hash(Series:Count)获取总次数；最后大涨联动统计的支持度和置信度定义为：/n支持度...

【技术特征摘要】
1.一种基于时态联动挖掘的时间序列预测方法及其装置，其特征在于所述方法包括如下步骤：
方法分为两个阶段，规则挖掘阶段和规则应用阶段，
一、规则挖掘阶段
(1)对基础统计数据及映射数据进行准备；
1.1获取所有时间序列的列表，并为每只时间序列从0开始进行顺序编号，形成时间序列与编号的哈希映射表Hash(Series:ID)，和编号与时间序列的哈希映射表Hash(ID:Series)；
1.2获取某个最长时间序列某个时间期以来所有时间期，并对时间期从小到大排序后，从0开始顺序编号，形成时间期与编号的哈希映射表Hash(Date:ID)，和编号与时间期的哈希映射表Hash(ID:Date)；
1.3获取每只时间序列在历史的大涨次数和大跌次数，形成时间序列与大涨次数的哈希映射表Hash(Series:UpCount)，和时间序列与大跌次数的哈希映射表Hash(Series:DownCount)；
获取每只时间序列的总次数，形成时间序列与总次数的哈希映射表Hash(Series:Count)；
(2)加载大涨和大跌的时间序列数据，并各自填充到二维统计数组里面；
2.1定义两个二维统计数组:StatUp[n,m]和StatDown[n,m]，其中n代表所有时间序列的数量，m代表最长时间序列某段时间以来总的时间期的数量；
2.2获取每只时间序列大涨的时间期，以1填充StatUp[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大涨的时间期后，通过Hash(Series:ID)获取行编号，通过Hash(Date:ID)获取列编号，最后设置StatUp数组的行列编号对应位置为1，其余位值设置为0；
2.3获取每只时间序列大跌的时间期，以1填充StatDown[n,m]的相应位置，具体为：对于每只时间序列，在得到其时间序列代码及大跌的时间期后，通过Hash(Series:ID)获取行编号，通过Hash(Date:ID)获取列编号，最后设置StatDown数组的行列编号对应位置为1，其余位值设置为0；
(3)基于统计数组进行时态间隔时间为1时间期、2时间期和3时间期的联动统计，包括大涨联动统计和大跌联动统计；对StatUp和StatDown两个数组分别进行时态联动统计，时态间隔时间仅取3种情况：间隔1时间期，间隔2时间期，间隔3时间期；
3.1大涨联动统计：分别对时态间隔时间的3种情况进行大涨的联动统计，具体为：
a.设置3个一维跟踪数组Stat1[n]、Stat2[n]、Stat3[n]，n为所有时间序列的数量；
b.对于StatUp中的每一行，逐位进行扫描，如果位值为1，则进入下一步，否则跳过；
c.获取该1位置所对应的列编号，对该列位置减1，减2和减3的三列进行竖的扫描，如果位值为1，则将该值累加统计到跟踪数组中；列位置减1，减2和减3的三列的扫描统计数据分别记录到Stat1[n]、Stat2[n]、Stat3[n]；跟踪数组的每行实际上是与每只时间序列一一对应的；
d.计算支持度和置信度；对于3个跟踪数组的每一行，通过Hash(ID:Series)获取时间序列代码，通过Hash(Series:UpCount)获取大涨次数，通过Hash(Series:Count)获取总次数；最后大涨联动统计的支持度和置信度定义为：
支持度up＝100*大涨次数/总次数；
置信度up＝100*跟踪数组的统计次数/大涨次数；
3.2大跌联动统计：分别对时态间隔时间的3种情况进行大跌的联动统计；具体过程与大涨联动统计过程类似；统计对象为StatDown二维数组，大跌次数通过Hash(Series:DownCount)获得，最后大跌联动统计的支持度和置信度定义为：
支持度down＝100*大跌次数/总次数；
置信度down＝100*跟踪数组的统计次数/大跌次数；
(4)基于联动统计结果，挖掘生成大涨的正反面规则和大跌的正反面规则；
4.1大涨正面规则生成：设定最小支持度minSupport、最小置信度minConfidence和最少时间期次数minPeriodCount参数，基于大涨联动统计和计算的结果，获取支持度大于minSupport，置信度大于minConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大涨正面规则的元组组合：
UpRule+＝{SeriesASeriesB,Interval,Support,Confidence}
其中，每条元组代表时间序列SeriesA大涨，在间隔时间Interval后，在支持度Support下，时间序列SeriesB大涨的置信度(或概率)为Confidence；
4.2大涨反面规则生成：设定最小支持度minSupport、最大置信度maxConfidence和最少时间期次数minPeriodCount参数，基于大涨联动统计和计算的结果，获取支持度大于minSupport，置信度小于maxConfidence，时间期次数大于minPeriodCount的元组，这些元组构成大涨反面规则的元组组合：
UpRule-＝{SeriesA,SeriesB,Interval,Support,Confidence}
其中，每条元组代表时间序列SeriesA大涨，在间隔时间Interval后，在支持度Support下，时间序列SeriesB不会大涨的置信度(或概率)为Confidenc...

【专利技术属性】
技术研发人员：洪志令，吴梅红，
申请(专利权)人：洪志令，
类型：发明
国别省市：福建;35