本發(fā)明涉及數(shù)據(jù)預測技術領域，尤其涉及一種時間序列預測方法與裝置。

背景技術：

時間序列預測法是基于與時間順序相關聯(lián)的有序觀測數(shù)據(jù)集，利用隨機過程理論和數(shù)理統(tǒng)計學方法，研究所述數(shù)據(jù)集所遵從的統(tǒng)計規(guī)律，從而推測數(shù)據(jù)發(fā)展趨勢指導解決實際問題。時間序列預測法已廣泛應用到工業(yè)、地質、生態(tài)、經(jīng)濟、氣象、醫(yī)學、能源、金融等領域。

現(xiàn)有技術中針對時間序列預測使用較多的是工具是基于機器學習算法的神經(jīng)網(wǎng)絡、決策樹和支持向量機方法等預測器，為了取得更好的時間序列預測效果，往往將多個相同或不同的預測器進行融合，即選擇預測器并賦予多樣性，以及將多個預測器的輸出結果進行融合。

然而現(xiàn)有的該種預測器融合的方式存在如下缺點：

由于算法的復雜性使得預測過程緩慢，或者預測相對快速，但時間序列預測準確度并不理想。即無法兼顧準確度與預測計算復雜度。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題在于針對現(xiàn)有技術中的缺陷，提供一種時間序列 預測方法與裝置。

本發(fā)明解決其技術問題所采用的技術方案是：一種時間序列預測裝置，包括：

采集模塊，用于采集時間序列數(shù)據(jù)；

規(guī)格化模塊，用于對采集的數(shù)據(jù)按設定的時間尺度進行劃分形成包含多個等值時間段的時間序列數(shù)據(jù)，改變時間尺度可獲得一個或者多個規(guī)格化的時間序列數(shù)據(jù)；

計算模塊，用于對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對應最后時間段；

2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+n-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

臨界時間段確定模塊，用于對規(guī)格化的時間序列數(shù)據(jù)中的時間段i進行臨界確定；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

預測模塊，用于根據(jù)計算模塊的計算結果和臨界時間段確定模塊的備選時間段進行時間序列預測；

具體如下：

1)若MTL1_i>0且Kl_i為-1，則所在的備選時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，則所在的備選時間段i為臨界時間段。

按上述方案，所述規(guī)格化模塊中的時間尺度設定采用以下方法中的一種：

1)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等比關系；

2)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等差關系；

3)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為規(guī)則的離散關系；

4)在一個規(guī)格化的時間序列數(shù)據(jù)中，通過改變設定n值為等比、等差、或規(guī)則離散關系獲得等效為時間尺度為等比、等差、或規(guī)則離散關系的多個規(guī)格化的時間序列數(shù)據(jù)。

例如：在時間尺度為1小時的時間序列數(shù)據(jù)中，當n取值為9得到的結果等效對應于時間尺度為90分鐘的時間序列數(shù)據(jù)n取值為6得到的結果。

按上述方案，所述規(guī)格化模塊中的時間尺度設定滿足設定后的時間序列數(shù)據(jù)的個數(shù)大于等于1。

按上述方案，所述預測模塊的預測方法如下：

1)若MTL1_i>0且Kl_i為-1，且Ll_i大于或等于Ll_i+1；則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，且Hh_i小于或等于Hh_i+1；則所在的時間段i為臨 界時間段。

按上述方案，所述n的取值為8。經(jīng)驗證當n的取值為8時能提高預測的準確率。

一種時間序列預測方法，包括以下步驟：

1)采集時間序列數(shù)據(jù)；

2)對采集的時間序列數(shù)據(jù)按設定時間尺度進行劃分，獲得多個規(guī)格化的時間序列數(shù)據(jù)；

3)對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

3.1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對應最后時間段；

3.2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3.3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

3.4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

3.5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

3.7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+n-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

4)對規(guī)格化的時間序列數(shù)據(jù)進行臨界尺度選擇；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

5)根據(jù)均值模塊的計算結果和臨界尺度選擇步驟確定的備選時間段進行時間序列預測。

按上述方案，所述步驟5)中的預測方法具體如下：

1)若MTL1_i>0且Kl_i為-1，則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，則所在的時間段i為臨界時間段。

按上述方案，所述步驟5)中的預測方法具體如下：

1)若MTL1_i>0且Kl_i為-1，且Ll_i大于或等于Ll_i+1；則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，且Hh_i小于或等于Hh_i+1；則所在的時間段i為臨界時間段。

按上述方案，所述步驟2)中時間尺度設定采用以下方法中的一種：

1)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等比關系；

2)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等差關系；

3)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為規(guī)則的離散關系；

4)在一個規(guī)格化的時間序列數(shù)據(jù)中，通過改變設定n值為等比、等差、或規(guī)則離散關系獲得等效為時間尺度為等比、等差、或規(guī)則離散關系的多個規(guī)格化的時間序列數(shù)據(jù)。

按上述方案，所述n的取值為8。

本發(fā)明產(chǎn)生的有益效果是：

1.本發(fā)明采用的方法預測準確率高，計算復雜度低，節(jié)約計算資源的同時取得了很好的效果；

2.本發(fā)明采用規(guī)格大小不同的時間序列數(shù)據(jù)，既可以相互作為臨界時間尺度的準確性驗證，規(guī)格大小又可以反映臨界點變化后的時間長度的長短，在實際運用中靈活自如，有利于最終的決策。經(jīng)驗證，本發(fā)明方法的臨界時間尺度的準確性超過70％。

附圖說明

下面將結合附圖及實施例對本發(fā)明作進一步說明，附圖中：

圖1是本發(fā)明實施例的方法流程圖；

圖2是本發(fā)明實施例的結構示意圖。

具體實施方式

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，利用風速采集儀器記錄同一地區(qū)的風速數(shù)據(jù),數(shù)據(jù)長度為168小時，整理采集的原始風速數(shù)據(jù)，形成風速時間序列用于分析預測；

2)對采集的時間序列數(shù)據(jù)按設定時間尺度進行劃分，獲得多個規(guī)格化的時間序列數(shù)據(jù)；多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等比關系；本實施例中取15分鐘，30分鐘，60分鐘，120分鐘和240分鐘；

3)對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

3.1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對應最后時間段；

3.2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3.3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

3.4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

3.5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

3.7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

4)對規(guī)格化的時間序列數(shù)據(jù)進行臨界尺度選擇；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

5)根據(jù)均值模塊的計算結果和臨界尺度選擇步驟確定的備選時間段進行時間序列預測。預測方法具體如下：

1)若MTL1_i>0且Kl_i為-1，則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，則所在的時間段i為臨界時間段。

根據(jù)多個規(guī)格化的時間序列得出預測結果，并根據(jù)時間精度的需要選擇對應的規(guī)格化的時間序列。

根據(jù)預測結果,獲得風速數(shù)據(jù)及其由大變小和由小變大的時間節(jié)點,并可以以此為風力發(fā)電機的控制系統(tǒng)預調微調提供依據(jù),制作風力發(fā)電機的控制系統(tǒng)，提高控制系統(tǒng)的自適應能力和響應速度,使風力發(fā)電更加平穩(wěn),提高風力發(fā)電機的發(fā)電效率.

如圖2所示，本發(fā)明還提供一種時間序列預測裝置，包括：

采集模塊，用于采集時間序列數(shù)據(jù)；

規(guī)格化模塊，用于對采集的時間序列數(shù)據(jù)按設定時間尺度進行劃分，獲得多個規(guī)格化的時間序列數(shù)據(jù)；規(guī)格化模塊中的時間尺度設定采用以下方法中的一種：

1)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等比關系；

2)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為等差關系；

3)多個規(guī)格化的時間序列數(shù)據(jù)的時間尺度為規(guī)則的離散關系。

規(guī)格化模塊中的時間尺度設定滿足設定后的時間序列數(shù)據(jù)的個數(shù)大于等于1。

計算模塊，用于對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對應最后時間段；

2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+n-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

臨界時間段確定模塊，用于對規(guī)格化的時間序列數(shù)據(jù)中的時間段i進行臨界確定；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

預測模塊，用于根據(jù)計算模塊的計算結果和臨界時間段確定模塊的備選時間段進行時間序列預測；

具體如下：

1)若MTL1_i>0且Kl_i為-1，則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，則所在的時間段i為臨界時間段。

為了提高預測的準確率，所述預測模塊的預測方法也可如下：

1)若MTL1_i>0且Kl_i為-1，且Ll_i大于或等于Ll_i+1；則所在的時間段i為臨界時間段；

2)若MTH2_i<0且Kh_i為1，且Hh_i小于或等于Hh_i+1；則所在的時間段i為臨界時間段。

本發(fā)明還可用于隨機價格的變化預測。

一、農(nóng)產(chǎn)品價格指數(shù)預測

1)記錄同一地區(qū)同一標準農(nóng)產(chǎn)品的每天的物價指數(shù)數(shù)據(jù),數(shù)據(jù)長度為5000天，整理采集的原始數(shù)據(jù)，形成物價指數(shù)變化時間序列用于分析預測；

2)對采集的時間序列數(shù)據(jù)按以天為時間尺度進行劃分，獲得一個規(guī)格化的時間序列數(shù)據(jù)；

3)對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

3.1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對 應最后時間段；在該例中取m＝4999；

在本例以天為時間尺度形成的一個規(guī)格化時間序列數(shù)據(jù)中，分別設置n＝8，16，32，64等比關系，按以下3.2)至4)方式計算：

3.2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3.3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

3.4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

3.5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

3.7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+n-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

4)對規(guī)格化的時間序列數(shù)據(jù)進行臨界尺度選擇；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

5)對于所取不同n值，根據(jù)計算模塊的計算結果和步驟4)臨界尺度選擇步驟確定的備選時間段綜合進行時間序列預測。

根據(jù)預測結果,可獲得農(nóng)產(chǎn)品價格數(shù)據(jù)及其由大變小和由小變大的不同時間尺度的時間節(jié)點,可以以此指導農(nóng)產(chǎn)品的合理種植數(shù)量和品種。

2.金融交易品K線變化預測

1)記錄同一地區(qū)同一金融交易品的每天的交易價格數(shù)據(jù),數(shù)據(jù)長度為750天，整理采集的原始數(shù)據(jù)，形成交易價格時間序列用于分析預測；

2)對采集的時間序列數(shù)據(jù)按設定時間尺度進行劃分，獲得多個規(guī)格化的時間序列數(shù)據(jù)；劃分為1分鐘、2分鐘、4分鐘、8分鐘、15分鐘、30分鐘、1小時、2小時、4小時，8小時，16小時等多個規(guī)格；

3)對規(guī)格化的時間序列數(shù)據(jù)進行計算；具體如下：

3.1)以i表示第i個時間段在時間序列中的位置，其中i＝m-1,m-2…,1,0；以h_i表示在第i個時間段內數(shù)據(jù)的最大值，以l_i表示在第i個時間段內數(shù)據(jù)的最小值；其中，m為所有時間段的個數(shù),i為m-1時對應最早時間段，i為0時對 應最后時間段；

3.2)計算第i時間段對應的最大值移動平均值Mh_i：

Mh_i＝(h_i+h_i+1+…+h_i+n-1)/n；

計算第i時間段對應的最小值移動平均值Ml_i：

Ml_i＝(l_i+l_i+1+…+l_i+n-1)/n；

其中，n為預設值，n大于3，n<＝m；

3.3)使用以下公式分別計算第i時間段對應的Dh_i和Dl_i的函數(shù)值：

${\mathrm{Dh}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(h_k-\mathrm{Mhi})}^2}{n}};$

${\mathrm{Dl}}_i=\sqrt{\frac{{\mathrm{\&Sigma;}}_{k=1}^{i+n-1}{(l_k-\mathrm{Mli})}^2}{n}};$

其中,i＝1,2,3…，n；

3.4)使用以下公式分別計算第i時間段對應的Hh_i和Ll_i的函數(shù)值：

Hh_i＝Mh_i+2*Dh_i；

Ll_i＝Ml_i-2*Dl_i；

3.5)計算i至i+n-1共n個時間段中所有最小值l_i的最小值minl_i,計算i至i+n-1共n個時間段中所有最小值l_i的最大值maxl_i。

使用以下公式分別計算第i時間段對應的TL1_i和TL2_i的值：

TL1_i＝(l_i-minl_i)/(maxl_i-minl_i)-dt；

TL2_i＝(l_i-maxl_i)/(maxl_i-minl_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.6)計算TL1_i和TL2_i的平均值；

MTL1_i＝(TL1_i+TL1_i+1+…+TL1_i+n-1)/n；

MTL2_i＝(TL2_i+TL2_i+1+…+TL2_i+n-1)/n；

3.7)計算i至i+n-1共n個時間段中所有最大值h_i的最小值minh_i,計算i至i+n-1共n個時間段中所有最大值h_i的最大值maxh_i。

使用以下公式分別計算第i時間段對應的TH1_i和TH2_i的值：

TH1_i＝(h_i-minh_i)/(maxh_i-minh_i)-dt；

TH2_i＝(h_i-maxh_i)/(maxh_i-minh_i)+dt；

其中，dt為經(jīng)驗值，取值范圍為[0.3,0.5]；

3.8)計算TH1_i和TH2_i的平均值；

MTH1_i＝(TH1_i+TH1_i+1+…+TH1_i+n-1)/n；

MTH2_i＝(TH2_i+TH2_i+1+…+TH2_i+n-1)/n；

4)對規(guī)格化的時間序列數(shù)據(jù)進行臨界尺度選擇；具體如下：

Kl_i＝2*(l_i-minl_i+l_i+1-minl_i+1)/(maxl_i-minl_i+maxl_i+1-minl_i+1)-1；

Kh_i＝2*(h_i-minh_i+h_i+1-minh_i+1)/(maxh_i-minh_i+maxh_i+1-minh_i+1)-1；

若Kl_i為-1，或Kh_i為1，則對應的時間段i為臨界時間段的備選時間段；

5)根據(jù)計算模塊的計算結果和臨界尺度確定模塊確定的備選時間段進行時間序列預測。

根據(jù)預測結果,可以作為交易員交易的參考。

應當理解的是，對本領域普通技術人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應屬于本發(fā)明所附權利要求的保護范圍。