(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210853612.X (22)申请日 2022.09.30 (71)申请人 广东工业大 学 地址 510000 广东省广州市越秀区东 风东 路729号 (72)发明人 高凯炼　苏庆　 (74)专利代理 机构 佛山市君创知识产权代理事 务所(普通 合伙) 44675 专利代理师 张燕玲 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) (54)发明名称 一种工业 生产指数 预测方法及处 理器 (57)摘要 本发明公开了一种工业生产指数的预测方 法及处理器， 该方法包括： 获取时间序列； SARIMA 模型根据获取时间序列生成工业生产指数第一 预测值； Prophet模型根据获取时间序列生成工 业生产指数第二预测值； 回归模 型根据所述第一 预测值和所述第二预测值生成工业生产指数第 三预测值； 所述回归模型表 达式为： y＝β0+β1x1 +β2x2+ε； 其中y指的第三预测值， x1表示第一预 测值， x2表示第二预测值， β0,β1和β2表示未知 的回归系数， ε表示随机误差。 本发明提出一种 工业生产指数预测方法。 本发明的是减少模型定 参的时候的人工分析的步骤以及组合两个模型 对时间序列数据的拟合能力和各自优势， 得出预 测更为准确的模型。 权利要求书1页 说明书9页 附图5页 CN 115271192 A 2022.11.01 CN 115271192 A 1.一种工业 生产指数的预测方法， 其特 征在于， 包括： 获取时间序列； SARIMA模型根据获取时间序列生成工业 生产指数第一预测值； Prophet模型根据获取时间序列生成工业 生产指数第二预测值； 回归模型根据所述第一预测值和所述第二预测值 生成工业 生产指数第三预测值； 所述回归 模型表达式为： y＝β0+β1x1+β2x2+ ε 其中y指的第三预测值， x1表示第一预测值， x2表示第二预测值， β0， β1和β2表示未知的回 归系数， ε表示随机误差 。 2.根据权利要求1所述的工业生产指数的预测方法， 其特征在于， 包括： 所述回归模型 采用最小二乘法求解， 回归模型表达式为： y＝1.2413+2.01x1‑1.03x2， 其中y指的第三预测 值， x1表示第一预测值， x2表示第二预测值。 3.根据权利要求1所述的工业生产指数的预测方法， 其特征在于， Prophet模型根据获 取时间序列生成工业生产指数第二预测值之前还包括： Prophet模型支持的数据的两列为 “ds”，“y”， 对DataFrame格式进行重命名； 将读到的时间序列进行归一 化， 经过处理的数据均值 为0， 标准差为1转 化公式为： 4.根据权利要求1所述的工业生产指数的预测方法， 其特征在于， Prophet模型的算法 公式如下： y(t)＝g(t)+s(t)+h(t)+∈t； 其中g(t)为趋势项， 表示的是时间序列在非周期上 的趋势变化规律； s(t)表示为周期项， 或者称作季节项； h(t)为节假日项， 表示当天是否是 节假日； ∈t是误差项或称残差项。 5.根据权利 要求1所述的工业生产指数的预测方法， 其特征在于， 所述SARIMA模型根据 获取时间序列生成工业 生产指数第一预测值之前， 还 包括： 进行时间序列的平稳性、 随机性和季节性的检验； 运用AutoARIMA的网格搜索法功能对ARIMA(p， d， q)模型的参数进行选取； 进行模型的统计学检验， 利用残差检验 模型的可 行性； 利用AutoARIMA模型网格搜索法拟合数据后最终的模型为SARIMA(1， 1， 2)x( 2， 0， 2) [6]。 6.根据权利要求5所述的工业生产指数的预测方法， 其特征在于， 所述进行模型的统计 学检验， 利用残差检验模型的可行性， 具体包括： 当残差检验的p值>0.05时， 模 型通过检验， 确定AutoARIMA模型的最终形式； 如果p值<0.05， 模型没有通过检验， 重新选取参数， 直至选择的最终模型通过残差检 验。 7.一种处理器， 其特征在于， 所述处理器用于执行如权利要求1至6中任意一项所述的 方法。权　利　要　求　书 1/1 页 2 CN 115271192 A 2一种工业生产指数预测方 法及处理器 技术领域 [0001]本发明涉及内容智能制造技 术领域， 具体涉及一种工业 生产指数 预测方法。 背景技术 [0002]传统的时间序列预测使用移动平均(MA)、 自回归模型(AR)和  自回归移动平均模 型(ARMA)。 但是这些模 型只能对平稳时间序列进  行预测， 这些模 型的预测只能简单 处理单 变量数据且要求数据具有平  稳性。 然而在现实生活中， 时序数据受多种因素影响不具备平 稳性， 因此使用这些传统的时序算法进行预测无法得到准确的预测结果。 我  们对于时间 序列不平稳的解决办法是引入整合移动平均自回归模型  (ARIMA)。 ARIMA模型通过对 时间 进行差分处理后可以得到平稳的数  据， 但是ARIMA模型不适用于数据噪声大、 非线性变化 强以及具有季  节性数据特征 的时间序列数据。 针对这种现状， 引入了一种适合季节  性时 间序列预测的模型SARIMA来进行 带有季节性数据特 征的时间序  列的预测。 [0003]在进行ARIMA模型的构建过程中， 需要经历检验时间序列平稳性、  差分检验、 白噪 声检验、 自相关图和偏自相关图检验、 模型定阶等过  程。 但是对于参数定阶的过程， 需要根 据ACF图和PACF图的图形的  拖尾和截尾的特征来进行参数p， q的选取， 需要进行人工的分 析。 对于参数的确定， 为了减少参数分析的步骤， 有利于非专业的时间序  列分析者， 使用 自动化的模型AutoARIMA得出最好的模型参数， 我们  可以使用确定最佳参数的一个指标： AIC(赤池信息准则)。 AIC最小  时得到的模型效果最好。 AutoARIMA就是封装了网格搜索算 法， 以最 小AIC为准则进行模型的定参， 并且AutoARIMA可以对季节性时间序  列进行预测。 [0004]对于时间序列的分析， 除了作为一个整体进行分析外， 通常还有  一种基于时间序 列分解的办法， 时间序列的分解可以分解为长期 趋势， 季节变动， 循环波动， 不规则波动等 子序列。 常用的分解算法有STL  分解、 EMD分解等。 基于时间序列的分解， Prophet模型简单 易用， 使用Prophet模型可以由不具有 时间序列领域知识的分析者直观地  调整参数以进 行可靠、 实用的预测。 [0005]当前时间序列预测技术主要是基于统计学和机器学习算法进行  预测， 这些方法 存在以下缺 点： [0006](1)对于季节性时间序列应用SARIMA模型时首先要对数据 进行 季节性剔除， 比较 繁琐。 Prophet模型没有保持提取残差项的自相关  信息， SARIMA模型适用于提取线性数据， Prophet适用于提取非线性  数据。 [0007](2)基于深度学习的时间序列模型， 依赖 于大量训练数据， 训  练时间普遍比较长 。 发明内容 [0008]本发明的目的在于克服现有技术的缺点和不足， 提出一种工业生  产指数预测方 法。 本发明的是减少模型定参的时候的人工分析 的步骤 以及组合两个模型对时间序列数 据的拟合能力和各自优势， 得 出预测 更为准确的模型。 [0009]为此， 本发明的公开了一种工业生产指数的预测方法， 包括： 获  取时间序列；说　明　书 1/9 页 3 CN 115271192 A 3