(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111260139.6 (22)申请日 2021.10.28 (65)同一申请的已公布的文献号 申请公布号 CN 113705114 A (43)申请公布日 2021.11.26 (73)专利权人 中南大学 地址 410012 湖南省长 沙市岳麓区麓山 南 路932号 (72)发明人 刘暾　成庶　于天剑　向超群　 石英春　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 曾志鹏 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) (56)对比文件 WO 2020180424 A1,2020.09.10 US 20180 05253 A1,2018.01.04 审查员 张敏 (54)发明名称 一种数据预测方法及装置 (57)摘要 本发明实施例提供了一种数据预测方法及 装置， 所述方法包括： 获得 非线性数据； 确定 所述 原始非线性数据的差值序列； 确定关于预测值的 置信区间； 基于所述差值序列及置信区间训练预 测模型； 获得经所述预测模型生成的预测差值； 对所述预测差值进行还原处理形成真实预测值。 本发明实施例的数据预测方法， 其方法简单， 且 准确度高。 权利要求书2页 说明书8页 附图5页 CN 113705114 B 2022.05.06 CN 113705114 B 1.一种数据预测方法， 其特 征在于， 包括： 获得锂离 子健康状态指数的非线性数据； 确定所述非线性数据的差值序列； 确定关于预测值的置信区间； 基于所述差值序列及置信区间训练预测模型； 获得经所述预测模型生成的预测差值； 对所述预测差值进行还原处 理形成真实预测值; 所述确定关于预测值的置信区间， 包括： 基于数据概 率密度函数计算确定用于限制预测值 误差的置信区间， 所述置信区间为： 其中， 所述α 为显著性水平， 包括0.0 3， 为标准差 。 2.根据权利要求1所述的数据 预测方法， 其特征在于， 所述确定所述非线性数据的差值 序列， 包括： 确定相邻两个所述非线性数据的差值， 得到所述差值序列。 3.根据权利要求1所述的数据预测方法， 其特 征在于， 还 包括： 对所述差值序列进行 数据标准 化处理， 得到标准 化差值序列。 4.根据权利要求1所述的数据 预测方法， 其特征在于， 所述基于所述差值序列及置信区 间训练预测模型， 包括： 将所述差值序列划分为匹配地输入数据及输出数据， 并对应输入至深度 学习模型中进 行训练； 利用损失函数均方差对所述深度学习模型进行反馈调整神经 元权重； 利用所述置信区间限制所述深度学习模型生成的预测差值。 5.根据权利要求3所述的数据 预测方法， 其特征在于， 所述获得经所述预测模型生成的 预测差值， 包括： 获得所述预测模型生成的预测差值， 并对所述预测差值进行去标准 化处理。 6.根据权利要求1所述的数据 预测方法， 其特征在于， 所述对所述预测差值进行还原 处 理形成真实预测值， 包括： 基于下述公式对所述预测差值进行还原处 理形成真实预测值： 所述 为预测差值， 所述xn为预测起始点前一个数据， 或为用于训练 的最后一个数据， 所述Yk为真实预测值。 7.一种数据预测装置， 其特 征在于， 包括： 第一获得模块， 用于获得锂离 子健康状态指数的非线性数据； 第一确定模块， 用于确定所述非线性数据的差值序列； 第二确定模块， 用于确定关于预测值的置信区间；权　利　要　求　书 1/2 页 2 CN 113705114 B 2训练模块， 用于根据所述差值序列及置信区间训练预测模型； 第二获得模块， 用于获得 经所述预测模型生成的预测差值； 还原模块， 用于对所述预测差值进行还原处 理形成真实预测值; 其中， 所述确定关于预测值的置信区间， 包括： 基于数据概 率密度函数计算确定用于限制预测值 误差的置信区间， 所述置信区间为： 其中， 所述α 为显著性水平， 包括0.0 3， 为标准差 。 8.根据权利要求7所述的数据 预测装置， 其特征在于， 所述确定所述非线性数据的差值 序列， 包括： 确定相邻两个所述非线性数据的差值， 得到所述差值序列。 9.根据权利要求7 所述的数据预测装置， 其特 征在于， 还 包括： 处理模块， 用于对所述差值序列进行 数据标准 化处理， 得到标准 化差值序列。权　利　要　求　书 2/2 页 3 CN 113705114 B 3