基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用

doi:10.3969/j.issn.1006-2475.2019.11.006

计算机与现代化

基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用

(1.北京化工大学信息科学与技术学院,北京100029;2.北京石油化工学院信息工程学院,北京102617)

收稿日期:2019-02-14 出版日期:2019-11-15 发布日期:2019-11-15
作者简介:王宇飞(1992-),男,河南民权人,硕士研究生,研究方向:数据挖掘及工业互联网,E-mail: wyf0713@163.com; 杜天苍(1962-),男,北京人,教授,研究方向:计算机应用。

Analysis and Application of Time Series Prediction Based on #br# Holt-Winters in Big Data Monitoring System

(1. College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China;
2. College of Information Engineering, Beijing Institute of Petrochemical Technology, Beijing 102617, China)

Received:2019-02-14 Online:2019-11-15 Published:2019-11-15

摘要/Abstract

摘要： 针对大数据监控系统对时间序列预测准确性和实时性的需求，以及大数据监控系统中时间序列呈现趋势性和季节性变化的特点，选择Holt-Winters算法建立时间序列预测模型。首先介绍时间序列的概念和特点，然后分析Holt-Winters算法的原理以及预测条件。选取合适的平滑系数是影响Holt-Winters算法预测准确性的关键，结合L-BFGS算法在不同时间区间求最优解，实现动态平滑系数的选取。最后以用户2天的页面访问量作为实验数据，通过相对误差指标的比较分析，验证该算法能满足大数据监控系统对时间序列预测的需求，具有较好的实际应用效果。

关键词: 时间序列, Holt-Winters, 大数据监控系统, 平滑系数

Abstract: According to the requirement of time series prediction accuracy and real-time and the trend and seasonal variation of time series in big data monitoring system, Holt-Winters algorithm is selected to build time series prediction model. First, this paper introduces the concept and characteristics of time series, then analyzes the principle of Holt-Winters algorithm and prediction conditions. Choosing the appropriate smoothing coefficient is the key to affect the accuracy of Holt-Winters algorithm. This paper introduces an algorithm for solving dynamic cubic smoothing coefficient in different time intervals by combining L-BFGS algorithm. Finally, the record of two-day page visits of users are used as experimental data. Through the analysis of relative error index, it is verified that the algorithm meets the requirements of big data monitoring system for time series prediction, and has better prediction application effect.

Key words: time series, Holt-Winters, big data monitoring system, smoothing coefficient

中图分类号:

TP391

王宇飞1,杜天苍1,2. 基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2019.11.006.

WANG Yu-fei1, DU Tian-cang1,2 . Analysis and Application of Time Series Prediction Based on #br# Holt-Winters in Big Data Monitoring System[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2019.11.006.

参考文献

［1］杨海民,潘志松,白玮. 时间序列预测方法综述［J］. 计算机科学, 2019,40(1):21-28.
［2］罗辰辉,揭晶方,张伟,等. 基于动态系数的三次指数平滑算法负载预测［J］. 计算机测量与控制, 2018,26(10):141-144.
［3］沈海迪,万振凯. 基于指数平滑法的动态预测机制［J］. 计算机技术与发展, 2017,27(7):6-9.
［4］杨济瑞,赵海涛,刘南杰. 改进的三次指数平滑法及其车联网中的应用［J］. 计算机技术与发展, 2017,26(11):164-167.
［5］朱建平,章贵军,刘晓葳. 大数据时代下数据分析理念的辨析［J］. 统计研究, 2014,31(2):10-19.
［6］汤银英,李龙. 基于Holt-Winters模型的铁路月度货运量预测研究［J］. 交通运输工程与信息学报, 2017,15(2):1-5.
［7］原继东,王志海. 时间序列的表示与分类算法综述［J］. 计算机科学, 2015,42(3):1-7.
［8］宋雨,焦谱,李刚. 大数据预处理中属性约简的特性保持分析［J］. 计算机测量与控制, 2015,23(12):4191-4194.
［9］ LI G L, CAI Z H, KANG X J, et al. A prediction-based algorithm for streaming time series segmentation［J］. Expert Systems with Applications, 2014,41(14):6098-6105.
［10］ZAHARIA M, CHOWDHURY M, DAS T， et al. Fast and interactive analytics over Hadoop data with Spark［J］. USENIX, 2012,37(4):45-51.
［11］BERMUDEZ J D, SEGURA J V, VERCHER E. Holt-Winters forecasting: An alternative formulation applied to UK air passenger data［J］. Journal of Applied Statistics, 2007,34(9):1075-1090.
［12］AKSOY H, GEDIKLI A, UNAL N E, et al. Fast segmentation algorithms for long hydrometeorological time series［J］. Hydrological Processes, 2008,22(23):4500-4608.
［13］蒋佳军. 基于Hadoop平台的电力大客户用电时序数据分类研究［D］. 广州:华南理工大学, 2015.
［14］格雷特,李洪成. 时间序列预测实践教程［M］. 北京:清华大学出版社, 2012.
［15］崔世杰,于重重,苏维均,等. 海量实时序列数据指数平滑预测分割算法［J］. 计算机应用研究, 2016,33(9):2712-2720.
［16］廖俊,周中良,寇英信,等. 一种基于重要点的时间序列分割方法［J］. 计算机工程与应用, 2011,47(24):166-170.
［17］刘晓艳,王颖. 基于改进云模型的云计算负载预测［J］. 计算机应用研究, 2015,32(10):3124-3127.
［18］李永娜. 基于支持向量机的回归预测综述［J］. 信息通信, 2014,143(11):32-33.
［19］张明光,张钰,陈晓婧,等. 基于Holt-Winters超短期负荷预测的配电网状态估计算法［J］. 兰州理工大学学报, 2016,42(2):92-96.
［20］李晓童. Holt-Winters模型与X-11模型在预测中的比较研究［J］. 中南大学学报, 2011,16(2):70-73.
［21］万杰. ARIMA模型与Holt-Winters模型在铁路旅客周转量预测中的比较［J］. 铁道运输与经济, 2010,32(2):91-94.
［22］LI D H, FUKUSHIMA M. A modified BFGS method and its global convergence in nonconvex minimization［J］. Journal of Computational and Applied Mathematics, 2001,129(1):15-35.
［23］陈海燕,刘晨晖,孙博. 时间序列数据挖掘的相似性度量综述［J］. 控制与决策, 2017,32(1):1-11
［24］王元坤. 基于随机森林-人工神经网络企业财务预警——以制造业上市公司为例［D］. 济南:山东大学, 2017.
［25］赵嶷飞,王红勇. 用霍尔特-温特斯模型预测航空运输总周转量［J］. 中国民航大学学报, 2007,25(2):1-11.

[1]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[2]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[3]	张子森, 徐晓钟. 基于分解和多分量集成学习的负荷预测方法[J]. 计算机与现代化, 2023, 0(03): 96-101.
[4]	石志伟, 武志峰, 张哲. 纠正学习策略下LightGBM-GRU模型的股票波动率预测[J]. 计算机与现代化, 2023, 0(01): 95-102.
[5]	周昌野, 李程. 基于GS-LSTM模型的铁路货运量预测[J]. 计算机与现代化, 2022, 0(10): 24-28.
[6]	张苏宁, 王芳, 朱燕, 景栋盛. 基于极端梯度提升的跨地区多种类电力需求预测[J]. 计算机与现代化, 2022, 0(03): 18-22.
[7]	陈晓雷, 王星星, 申浩阳. 智慧农业中时序数据组合预测模型[J]. 计算机与现代化, 2021, 0(09): 121-126.
[8]	朱旭, 朱晓晓, 王继民. 基于Matrix Profile的时间序列变长模体挖掘[J]. 计算机与现代化, 2021, 0(05): 44-50.
[9]	杨永娇，肖建毅，赵创业，周开东. 基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法[J]. 计算机与现代化, 2020, 0(03): 99-.
[10]	李兆桐，张卫山，郭武武. 基于LSTM的工业互联网设备工作状态预测[J]. 计算机与现代化, 2020, 0(01): 1-.
[11]	许国艳1,朱进1,司存友2,胡文斌2,刘凡1. 基于CNN和MC的水文时间序列预测组合模型[J]. 计算机与现代化, 2019, 0(11): 23-.
[12]	余丽玲，金浩宇 . 基于K-均值聚类的RBF神经网络血糖浓度预测[J]. 计算机与现代化, 2019, 0(03): 9-.
[13]	黎镭，陈蔼祥，李伟书，梁伟琪，杨思桐. GRU递归神经网络对股票收盘价的预测研究[J]. 计算机与现代化, 2018, 0(11): 103-.
[14]	郑永坤，刘春. 基于ARIMA模型的二手房价格预测[J]. 计算机与现代化, 2018, 0(04): 122-.
[15]	刘琪,张鹏程,王继民. 基于相关反馈的时间序列相似性搜索[J]. 计算机与现代化, 2018, 0(02): 22-26.

基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用

Analysis and Application of Time Series Prediction Based on #br# Holt-Winters in Big Data Monitoring System

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价