AI预测-holt提取时序序列特征

AI预测相关目录

AI预测流程，包括ETL、算法策略、算法模型、模型评估、可视化等相关内容
最好有基础的python算法预测经验

1. EEMD策略及踩坑
2. VMD-CNN-LSTM时序预测
3. 对双向LSTM等模型添加自注意力机制
4. K折叠交叉验证
5. optuna超参数优化框架
6. 多任务学习-模型融合策略
7. Transformer模型及Paddle实现
8. 迁移学习在预测任务上的tensoflow2.0实现
9. holt提取时序序列特征

---

---

本文方法其发自《基于IAPSO-Holt-...CN的时序瓦斯浓度预测模型_温廷新》，更详细内容可参考文章内容

一、holt介绍

为发掘具有高度预测性的特征，充分运用特征变量间的线性或非线性关系，应用Holt可构建特征组合（FCIH）。
FCIH = 序列历史特征 及 holt挖掘出的特征
holt挖掘出的特征即序列相关的水平分量、趋势平滑特征分量。

当然，本文省略了超参数优化hlot模型的过程，该过程可参考AI预测合集-optuna超参数优化框架一文。

---

三、代码示例

自定义holt类

# 定义Holt线性趋势模型的类
class HoltLinear:
    def __init__(self, alpha=0.5, beta=0.5):
        self.alpha = alpha  # 趋势平滑系数
        self.beta = beta    # 趋势变化平滑系数

    # 训练模型
    def fit(self, data):
        T = len(data)
        l = np.zeros(T)    # 线性趋势
        b = np.zeros(T)    # 趋势变化率
        l[0] = data[0]
        b[0] = data[1] - data[0]

        for t in range(1, T):
            l[t] = self.alpha * data[t] + (1 - self.alpha) * (l[t-1] + b[t-1])
            b[t] = self.beta * (l[t] - l[t-1]) + (1 - self.beta) * b[t-1]

        self.l = l
        self.b = b

    # 预测未来值
    def predict(self, steps):
        T = len(self.l)
        y_pred = np.zeros(steps)

        for t in range(T, T+steps):
            y_pred[t-T] = self.l[T-1] + self.b[T-1] * (t - T + 1)

        return y_pred,self.l,self.b

应用类提取特征

data = pd.read_excel('train_data.xlsx', usecols=[5])
series_close = pd.Series(data["平均风速(m/s)"].values)

model = HoltLinear(alpha=0.2, beta=0.3)
model.fit(series_close)
forecast4,xgsp,phtz = model.predict(5)

---

总结

完结，撒花！