1.一种基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，包括以下步骤：划分目标时间序列，得到若干笔数据集；

基于划分后的数据集，构造带状时变模糊信息粒，将时间序列转化为颗粒时间序列；

将颗粒时间序列划分为训练集和预测集，利用训练集中带状时变模糊信息粒建立模糊逻辑规则，基于模糊逻辑规则和三阶模糊逻辑关系构建模糊预测模型，利用模糊预测模型对预测集中带状时变模糊信息粒进行预测；

对预测结果进行去模糊化处理，并计算预测精度评价指标，对预测结果进行评价。

2.根据权利要求1所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述划分目标时间序列的步骤包括：选取合适的时间长度，作为k线的基本时域单元，对目标时间序列数据进行K线化处理，得到K线图；

对K线间的包含关系进行处理，并判断K线间顶底分型，得到模糊时间序列；

对得到的模糊时间序列进行分笔处理，得到若干笔数据集。

3.根据权利要求2所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述对K线间的包含关系进行处理的步骤包括：判断相邻两根K线是否存在包含关系，若一根k线的最高点高于另一根k线的最高点，且最低点低于另一根k线的最低点，则判定两根k线间存在包含关系，对两根k线间的包含关系进行处理；

判断两根K线的趋势，若两根k线呈上升趋势，则用一根新k线的高点和低点代替两根k线的高点和低点的较大值；若两根k线呈下降趋势，则用一根新k线的高点和低点代替两根k线的高点和低点的较小值。

4.根据权利要求2所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述判断K线间顶底分型的方法为：对于不存在包含关系的3根K线，若中间一根K线的高点最高，低点也最高，则三根k线构成顶分型；若中间一根K线的低点最低，高点也最低，则三根k线构成底分型。

5.根据权利要求1所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述带状时变模糊信息粒的构造方法为：利用划分后得到的每笔数据集 在时间范围t＝{t1,t2,…,tN}，对该数据集进行最小二乘线性回归得到

Xt＝kt+b+∈

2

其中，∈～N(0,σ)，求解得到参数k、b和σ；

使用μ0(t)＝kt拟合数据集的上界和下界，将所有数据值包含其中，从而得到b的取值范围基于参数k、b、σ、b和 构造了一个带状时变模糊信息粒 其中，k，b分别表示回归线的斜率和截距，σ表示标准差，核心线μ(t)＝kt+b反映了当前时间区间内的线性变化趋势， 是由x值确定的闭区间，表示b的取值范围，即b是使μ(t)＝kt+b经过x值对应点的b的最小取值，是使μ(t)＝kt+b经过x值对应点的b的最大取值。

6.根据权利要求1所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述模糊逻辑规则的建立方法为：将长度为n的颗粒时间序列A＝{A(i)},i＝1,2,…,n划分为由前nt个带状时变模糊信息粒构成的训练集和由剩下nf个带状时变模糊信息粒构成的预测集，利用训练集中nt个带状时变模糊信息粒建立模糊逻辑规则。

7.根据权利要求1所述的基于带状时变模糊信息粒的时间序列长期预测方法，其特征是，所述三阶模糊逻辑关系为：At-2,At-1,At→At+1

表示在t时刻进行t+1时刻的带状时变模糊信息粒的预测，At-2,At-1,At,At+1为时间序列上四个连续观测到的带状时变模糊信息粒。

8.根据权利要求1所述的基于带状时变模糊信息粒的时间序列预测方法，其特征是，所述基于模糊逻辑规则和三阶模糊逻辑关系构建模糊预测模型的方法包括：设定滑动时间窗口，将其作为最大规则条数Rlimit；

当前输入带状时变模糊信息粒个数为N，当第N+1个带状时变模糊信息粒输入时，若N-1≤Rlimit，增加新的模糊逻辑规则；若N-1>Rlimit，则增加新的模糊逻辑规则并删除掉前N-1-Rlimit条模糊逻辑规则；

基于三阶模糊逻辑关系，计算观测序列和前因变量的匹配程度；

利用匹配程度与权值向量的比例关系，计算权值向量，给每条模糊逻辑规则的分配权重；

通过对每条模糊逻辑规则的结果进行加权平均计算，得到颗粒时间序列的预测集中nf个带状时变模糊信息粒的预测结果。

9.根据权利要求1所述的基于带状时变模糊信息粒的时间序列预测方法，其特征是，所述对预测结果进行去模糊化处理的步骤包括：根据第t时刻的预测结果Aforecasted(nt+),t＝1,2,…,nf计算所对应的带状时变模糊信息粒的参数利用带状时变模糊信息粒的参数 计算第t时刻的预测值Xforecast(t)，t＝1,2,…,nf。

10.根据权利要求1所述的基于带状时变模糊信息粒的时间序列预测方法，其特征是，所述预测评价指标包括RMSE、MAPE和MAE；

RMSE的计算公式为：

MAPE的计算公式为：

MAE的计算公式为：

式中，Xforecast(t)和Xactual(t)分别表示第t时刻的预测值和真实值；nf表示预测集中带状时变模糊信息粒个数；

若RMSE、MAPE、MAE的值越小，则表明预测结果越准确。