(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 202111554557.6 (22)申请日 2021.12.17 (71)申请人 杭州安脉盛智能技 术有限公司 地址 310000 浙江省杭州市滨江区西兴街 道阡陌路482号智慧e谷B座17层 (72)发明人 俞文翰　赵彤　孙丰诚　潘凡　 倪军　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 尉伟敏 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于指数平 滑的时序数据预测方法 (57)摘要 本发明提出一种基于指数平滑的时序数据 预测方法， 包括以下步骤： S1， 利用历史数据建立 基于指数平滑模 型的离线模型， 所述离线模型包 括若干周期的子模型； S2， 所有子模型定期训练， 得到预测结果和平移变量； S3， 获取待预测的时 间长度以及当前时间， 得到未来日期； S4， 根据未 来日期选取对应周期的子模型； S5， 将对应周期 的子模型的平移 变量， 将预测结果向上或向下平 移， 得到最终预测结果。 基于指数平滑模 型， 使该 模型拥有较好的预测带趋势的周期性时序数据 的能力。 本发 明使用了多组子模 型分段创建的方 法， 且可以根据预测时间长度的不同来选择合适 的子模型， 解决了预测时细节处精确度差的问 题。 权利要求书1页 说明书5页 附图3页 CN 114548479 A 2022.05.27 CN 114548479 A 1.一种基于指数平 滑的时序数据预测方法， 包括以下步骤： S1， 利用历史数据建立基于指数平滑模型的离线模型， 所述离线模型包括若干周期的 子模型； S2， 所有子模型定期训练， 得到预测结果和平 移变量； S3， 获取待预测的时间长度以及当前时间， 得到未来日期； S4， 根据未来日期选取对应周期的子模型； S5， 将对应周期的子模型的平移变量， 将预测结果向上或向下平移， 得到最终预测结 果。 2.根据权利要求1所述的一种基于指数平滑的时序 数据预测方法， 其特征是， 所述子模 型的周期包括1个月、 3个月、 6个月和12个月。 3.根据权利要求1或2所述的一种基于指数平滑的时序数据预测方法， 其特征是， 所述 指数平滑模型为 三次指数平 滑模型。 4.根据权利要求2所述的一种基于指数平滑的时序 数据预测方法， 其特征是， 所述子模 型在每个月的月初进行训练。 5.根据权利要求2所述的一种基于指数平滑的时序 数据预测方法， 其特征是， 所述S2具 体包括以下步骤： S201， 对获得的历史数据进行预处理， 并将历史数据拆分为训练数据、 验证数据和测试 数据； S202， 使用趋势分析算法获得训练数据总体趋势， 将总体趋势和训练数据作为指数平 滑的参数训练模型； S203， 对指数平 滑的参数训练模型进行训练， 得到预测结果和初步平 移变量； S204， 用验证数据来平移优化预测结果的加权目标函数， 并用测试数据来测试优化后 的效果， 若优化后的评价指标整体比优化前 的评价指标好， 则 保存预测结果的优化平移变 量， 若优化后的评价指标整体比优化后的评价指标差， 则将优化平 移变量置 0并保存。 6.根据权利要求5所述的一种基于指数平滑的时序数据预测方法， 其特征是， 所述S201 具体包括以下步骤： S211， 剔除异常数据， 将数据处理分为以12个月开始的、 4个不同周期性长度的四十八 个子数据， 所述 4个不同周期性长度包括1个月、 3个月、 6个月和12个月； S212， 数据以年 为单位按一定比例拆分为训练数据、 验证数据、 测试 数据。 7.根据权利要求2所述的一种基于指数平滑的时序 数据预测方法， 其特征是， 所述S4具 体包括以下步骤： 判断未来日期是否在本月月初加上1个月范围之内， 若 是则选用周期 长度 为1个月的子模 型； 若否， 判断未来日期是否在本月月初加上3个月范围之内， 若 是则选用周 期长度为3个月的子模型； 若否， 判断未来日期是否在本月月初加上6个月范围之内， 若 是则 选用周期长度为6个月的子模型； 若否， 则选用 周期长度为12个月的子模型。权　利　要　求　书 1/1 页 2 CN 114548479 A 2一种基于指数平滑的时序数据预测方 法 技术领域 [0001]本发明涉及数据预测技 术领域， 尤其是一种基于指数平 滑的时序数据预测方法。 背景技术 [0002]时序数据预测在工业、 金融业、 计算机业等领域中出现的频率非常广泛， 它是通过 对历史的时序数据加以分析， 来预测生成未来的时序数据。 在工业设备可靠性管理 (Equipment Reliability  Management)领域中， 它往往可以预测出一台设备未来的健康 状 态； 也可以预测出一台设备未来的工作效率； 还可以预测出该时序数据何 时超过阈值。 电厂 热交换器是保障电站 正常运行的重要 热交换部件， 热 交换器换热能力的退化是使用过程中 面临的痛点,往往需要通过反冲洗或解体清洗来恢复换热能力,耗费大量人力物力。 其中导 致热交换器能力退化的主要因素为海水温度过高和海水流速， 利用该技术方案来预测海水 温度过高的时间， 提前为反冲洗做好 准备。 [0003]目前现存的预测方法主要有非周期性时序数据预测和周期性时序数据预测这两 大类。 现有的非周期性时序数据预测在预测时由于没有考虑数据的周期性特征， 预测精确 度差； 现有的周期性时序数据预测是将构建一个完整的模型进行预测的， 不同于本技术的 分段方法， 存在无法根据预测时间长度来调整模型， 细节上精确度差， 在案例中无法准确预 测夏季海水温度。 现有的预测方法没有评判 预测结果好坏的方法， 很多情况下需要人工辅 助判断。 由于现有的指数平滑模型将数据的总体趋势考虑在内， 但实际上很多情况下预测 数据的趋势和近期 趋势有关， 如案例中预测的海水温度趋势和近年来海水温度趋势有较大 关系， 和整体趋势关系不大， 这样预测结果的趋势性 就存在错 误。 发明内容 [0004]本发明解决了现有技术对周期性时序数据预测不准确的问题， 提出一种基于指数 平滑的时序数据预测方法， 基于指数平滑模型， 使该模型拥有较好的预测带趋势的周期性 时序数据的能力。 本发明使用了多组子模型分段创建的方法， 且可以根据预测时间长度的 不同来选择合 适的子模型， 解决了预测时细节处精确度差的问题。 [0005]为实现上述目的， 提出以下技 术方案： 一种基于指数平 滑的时序数据预测方法， 包括以下步骤： S1， 利用历史数据建立基于指数平滑模型的离线模型， 所述离线模型包括若干周 期的子模型； S2， 所有子模型定期训练， 得到预测结果和平 移变量； S3， 获取待预测的时间长度以及当前时间， 得到未来日期； S4， 根据未来日期选取对应周期的子模型； S5， 将对应周期的子模型的平移变量， 将预测结果向上或向下平移， 得到最终预测 结果。 [0006]本发明基于指数平滑模型， 使该模型拥有较好的预测带趋势的周期性时序数据的说　明　书 1/5 页 3 CN 114548479 A 3