申请/专利权人：中煤科工集团沈阳设计研究院有限公司

申请日：2023-08-30

公开（公告）日：2023-12-22

公开（公告）号：CN117273799A

主分类号：G06Q30/0202

分类号：G06Q30/0202;G06Q10/04;G06N3/006;G06Q30/0201

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.09#实质审查的生效;2023.12.22#公开

摘要：一种基于SARIMA‑LSSVM的钢材产品需求量预测方法,属于时间序列预测分析方法技术领域。包括：提取钢材产品需求量数据并将其转换成时间序列；开发基于MOIDE算法的带有稀疏策略的SARIMA模型提取需求量数据中的线性分量，得到一系列预测值和相应的残差；使用基于DE算法的LSSVM模型提取残差数据中的非线性分量，得到相应的预测值；最后将两次得到的预测值进行相加得到最终的预测结果。该方法集成了SARIMA模型和LSSVM模型的优点，且在SARIMA参数优化过程中考虑了模型的稀疏策略以及模型的精度和复杂性目标，能够充分捕捉隐藏在钢材产品需求量数据中的线性和非线性成分，在降低计算成本的同时提高了钢材产品需求量的预测精度。

主权项：1.一种基于SARIMA-LSSVM的钢材产品需求量预测方法，其特征在于，包括以下步骤：步骤1：从数据库中提取钢材产品在现货市场上的日需求量数据，并将其转换成时间序列Zt；步骤2：采用基于改进多目标差分进化算法的带有稀疏策略的SARIMA模型拟合钢材产品需求量数据的线性分量，从而得到一系列预测值和相应的残差εt；步骤2.1：采用单位根检验法检验钢材产品需求量时间序列是否平稳；如果是，转至步骤2.2，如果否，执行差分操作直到时间序列满足平稳性，由此，得到SARIMAp,d,qP,D,Qs模型中常规差分阶数d和季节性差分阶数D；步骤2.2：基于钢材产品需求量时间序列图中需求量数据重复触及峰值和或谷值的固定时间间隔确定SARIMAp,d,qP,D,Qs模型中的季节长度s；步骤2.3：基于平稳时间序列的自相关函数图、偏自相关函数图以及拟合模型的精度和复杂性确定SARIMAp,d,qP,D,Qs中自回归部分的阶数p、移动平均部分的阶数q、季节性自回归部分的阶数P和季节性移动平均部分的阶数Q的最大值pmax、qmax、Pmax和Qmax；步骤2.4：根据拟合模型的精度和复杂性设置所有SARIMAp,d,qP,D,Qs模型中的参数c、φpp＝1,2,...,pmax、θqq＝1,2,...,qmax、ΦPP＝1,2,...,Pmax和ΘQQ＝1,2,...,Qmax相应稀疏阈值c′、φ′、θ′、Φ′和Θ′的取值范围；步骤2.5：将MOIDE算法和稀疏策略相结合进而应用于SARIMA模型的参数估计过程中，在一次算法运行后同时得到SARIMA模型的最优结构和最优参数取值方案；步骤2.6：使用步骤2.5得到的最优SARIMA模型对钢材产品需求量数据进行滚动预测，得到需求量时间序列的滚动预测值和相应的残差εt；步骤2.7：检验SARIMA模型是否有效：如果是，转到步骤3；如果否，转到步骤2.2；步骤3：采用基于差分进化算法的最小二乘支持向量机模型拟合残差数据εt中的非线性分量，从而得到一系列预测值步骤3.1：将残差数据εt进行归一化处理，得到训练样本集；步骤3.2：基于实际运行条件设定正则化参数γ、高斯核函数的权重a1、高斯核的宽度σGauss以及多项式核幂级数dploy的取值范围；步骤3.3：基于DE算法得到LSSVM模型的最优参数取值方案；步骤3.4：使用步骤3.3得到的最优LSSVM模型对归一化残差数据进行滚动预测和反归一化处理，得到残差数据的滚动预测值步骤3.5：检验混合模型SARIMA-LSSVM是否有效：如果是，转到步骤4；如果否，转到步骤3.2；步骤4：将和相加得到钢材产品需求量的最终预测值

全文数据：

权利要求：

百度查询： 中煤科工集团沈阳设计研究院有限公司 一种基于SARIMA-LSSVM的钢材产品需求量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD