cyc_week_3 - YosanChan/Task GitHub Wiki

任务：

• 选择两个时间序列模型进行研究
• 阅读、调试代码，查阅相关资料

输出：

• 时间序列模型的流程图、文字描述、效果图

---

// TODO:

选择时间序列预测模型：

• OlympicModel 选择理由：窗口模型，可设参数较多，便于反复测试研究和改造。
• DoubleExponentialSmoothingModel 选择理由：平滑模型，算法结构简单，（由算法说明）对不同变化趋势数据匹配性良好。 选择异常检测模型：
• AdaptiveKernelDensityChangePointDetector 选择理由：可设参数较多，便于反复测试研究和改造。
• KSigmaModel 选择理由：经典K-sigma模型，适用面广，便于学习。

OlympicModel流程

说明：OlympicModel是一个简单的窗口模型，其思想是对点P的预测为点P前n个值的Smoothed Average.其具体实现过程分三个部分。第一部分为配置参数获取，由配置文件确定向前追溯的周期个数，窗口长度，时间偏移长度，需抛弃的极大极小值点以及是否使用动态参数优化算法；第二部分为核心方法computeExpected, 该方法首先根据窗口最小长度将原始数据的前n个存放在model（存放预测序列的数组）中，之后用长度为pl的窗口将第i个数据之前的数据用整数j个窗口分开，取每个窗口第（i-pl*j）个数据并求和得SUM。在这一部分中若将动态参数设为0，即不使用动态参数，此时直接根据窗口个数求得算术平均值BV=SUM/j,若将动态参数设为1,即使用动态参数对算法进行优化，此时需关注最后一个取得的数据lw，并求得两个值，分别为withNewVal =（SUM+lw）/(j+1)和withoutNewVal=SUM/j,之后必将这两个值与原始数据i的距离，取距离更小的一个值为可信值BV。第三部分考虑可能出现的时间偏移并确定最后的预测值，分别在窗口长度不同的情况下，对预设的时间偏移值调用computeExpected方法，并将所有情况取得的BV值与原始数据作比较，取距离最小的BV值为最终确定的预测值。 原始数据与预测数据对比：

霍尔特模型流程（未完）