LBFGS
1 LBFGS是解決非線性優(yōu)化問題的方法，應(yīng)用到我們的工程中，就是在于αβγ取何值苍凛，與實(shí)際預(yù)測誤差最小。
2 在python程序的應(yīng)用中兵志，用到了MSE（均方差）的方法判定參數(shù)的標(biāo)準(zhǔn)醇蝴，方差越小，估計(jì)值越好想罕。
3 在試用python程序時(shí)悠栓，參數(shù)含義，x[]表示提供的數(shù)據(jù)按价，m表示周期（幾個(gè)點(diǎn)數(shù)為一個(gè)周期）惭适，fc要預(yù)測的未來的點(diǎn)數(shù)。
4 考慮到未來使用時(shí)可能會消除異常點(diǎn)俘枫，這就會有一個(gè)問題腥沽，現(xiàn)在的周期數(shù)為表示的點(diǎn)數(shù)，即去除異常點(diǎn)后鸠蚪，會影響周期性今阳，所以異常點(diǎn)必須要被替代师溅。我的想法是找周邊兩點(diǎn)，先判斷周邊兩點(diǎn)不是異常值盾舌，那么取平均值替代異常點(diǎn)墓臭。
三次平滑預(yù)測（Holt-Winters）
1 三次平滑針對有趨勢和季節(jié)性的預(yù)測：αβγ分別有其對應(yīng)的意義。α對應(yīng)周期內(nèi)各個(gè)數(shù)據(jù)的權(quán)重妖谴，α越接近0窿锉，平滑后的值越接近前i個(gè)數(shù)據(jù)的平滑值；β對應(yīng)數(shù)據(jù)的趨勢性膝舅；γ對應(yīng)數(shù)據(jù)的周期性嗡载。
2 在找到αβγ后，數(shù)據(jù)的迭代方式為仍稀，明確αβγ后經(jīng)過迭代求出預(yù)測值洼滚。
* St[i] = alpha * y[i] / It[i - period] + (1.0 - alpha) *
(St[i - 1] + Bt[i - 1])
?
* Bt[i] = gamma * (St[i] - St[i - 1]) + (1 - gamma) *
Bt[i - 1]
?
* It[i] = beta * y[i] / St[i] + (1.0 - beta) * It[i -
period]
?
* Ft[i + m] = (St[i] + (m * Bt[i])) * It[i - period + m]
3 相應(yīng)的在java程序中相應(yīng)的初始值，其中y[0]的初始值技潘，java程序給了兩種選定方式遥巴，一種是完整周期點(diǎn)書的平均值，一種是y[0]享幽，初始值的選項(xiàng)只對預(yù)測的開始階段有作用铲掐，經(jīng)過迭代后預(yù)測效果差異不明顯。
4?????? 采樣數(shù)據(jù)
???????? 1）testjson.json為一周的實(shí)際數(shù)據(jù)值桩，getJson類采樣的json文件的程序摆霉。共11252個(gè)點(diǎn)，將近一周采樣數(shù)值颠毙，我取點(diǎn)放入data.txt文件中斯入。
???????? 2）test2得到采用數(shù)據(jù)data.txt后，進(jìn)行Holt-Winters數(shù)據(jù)預(yù)測蛀蜜。alpha、beta增蹭、gamma為python數(shù)據(jù)取得的參數(shù)滴某。period為一個(gè)周期點(diǎn)，因?yàn)榧僭O(shè)為每天一個(gè)周期滋迈，每分鐘采點(diǎn)一次霎奢，所以period取60*24=1440。m為預(yù)測未來點(diǎn)數(shù)饼灿，我采用1440幕侠。（此處m我需要繼續(xù)研究，因?yàn)槌绦蛑杏玫絤迭代取1440即周期數(shù)預(yù)測是相對準(zhǔn)確的碍彭。）
???????? 3）如圖晤硕，Holt-Winters預(yù)測有范圍悼潭，當(dāng)我預(yù)測未來的點(diǎn)數(shù)過多（預(yù)測超過一個(gè)周期），會出現(xiàn)“斷崖式”的下跌舞箍。我分析原因舰褪，是因?yàn)槌绦虻念A(yù)測是建立在上一個(gè)周期的樣本點(diǎn)的基礎(chǔ)上，當(dāng)預(yù)測到第二個(gè)周期時(shí)疏橄，第一個(gè)周期的實(shí)際值已經(jīng)不存在了占拍，就無法預(yù)測。另外捎迫，圖三per為誤差百分比圖晃酒。
?消去異常點(diǎn)算法（IsolationForest）
1）IsolationForest算法的思想就是不斷對數(shù)據(jù)進(jìn)行隨機(jī)切割，異常點(diǎn)有較大的概率在早期被切割出去窄绒。
2）查閱pyhon有相應(yīng)的庫可用掖疮，java在git上也有相應(yīng)代碼。
3）根據(jù)Holt-Winters算法預(yù)測效果颗祝，判斷暫時(shí)還不需要使用IsolationForest排除異常點(diǎn)浊闪，故不細(xì)述。
???????????????? 以上
