李荞每,成丽波

(长春理工大学 理学院,长春 130022)

0 引 言

随着大数据时代的发展,数据处理受到了越来越多人的关注。时间序列预测方法是处理随时间变化的数据最有效的方法之一。近年来,越来越多的人开始利用小波对时间序列进行分析预测,寻找组合方法、模型,逐步完善理论基础。2000年,Whitcher等[1]介绍使用离散小波变换进行2个时间序列之间协方差的多尺度分析。2005年,陈飞[2]开发了一种新的经济时间序列预测方法。近年来,越来越多的学者发现小波分析适用于处理时间序列预测问题。2006年,Percival等[3]出版了Wavelet Methods for time series analysis,具体介绍了小波分析,以及基于小波的时间序列统计分析。2009年,周玉国等[4]将小波分析和自回归滑动模型引入时间序列建模与预测。2011年,Leise等[5]发现可以通过小波变换来分析有周期或幅度变化的昼夜节律。2015年,Joo等[6]提出一种基于小波滤波的预测方法。同年,Sun等[7]提出了一种新的混合模型小波-支持向量机,刘向丽等[8]提出基于小波多分辨率分析的预测方法。2016年,邱金鹏等[9]建立基于风速的功率计算数学模型,证明了采用小波分解与时间序列模型进行风电功率预测的准确性与可靠性。同年,Sharma等[10]提出了一种混合小波神经网络,用于短期太阳辐照度的预测。2019年,吴浩等[11]提出了基于小波分析的改进型3σ粗差探测方法。

本文建立小波分析时间序列组合模型,利用该模型对某国家单日新增病例数据进行分析,并预测其未来发展趋势,为防控疫情起到警示作用。

1 时间序列模型

在对原始时间序列进行小波分解重构后,即可选用合适的时间序列模型进行预测。……