1.一种基于经验模态分解和前馈神经网络对时序数据的预测方法，其特征在于由下述步骤组成：(1)对数据集缺失值处理

将时序数据集Ab的缺失值进行统计并查找其位置，缺失值超过3个连续出现时，删除包含该缺失值的行，缺失值的位置连续数为1～3时，用缺失值插补法中的均值插补法进行缺T失值填充，得到时序数据集A{A1,A2,A3}，其中A1{x1,x2,...,xm|xi＝(xi1,xi2,…,xiq) ，i为有限正整数；q为数据集A的样本个数}为数据集中的类别变量，A2{y1,y2,…,yn|yj＝(yj1,Tyj2,…,yjq) ，j为有限正整数}为数据集中除去类别变量和待预测时序数据的其它变量，A3T{z1,z2,…,zp|zl＝(zl1,zl2,…,zlq) ，l为有限正整数}为数据集中需要预测的时序数据；

(2)独热编码处理

对数据集中的类别变量A1，进行独热编码方法处理，统计类别变量A1中每一个类别变量xi的类别值个数，用连续自然数从1开始对类别变量xi的类别值进行代替，自然数的个数为类别变量值的个数，再进行独热编码处理，将类别变量A1转换成二进制编码矩阵B{B1,B2,…，Bm|Bi为类别变量xi独热编码得到的数据}；

(3)主成分分析方法降维

对数据集中的其它变量A2，除去数据集中的时间戳变量，得到剩余变量A4{s1,s2,…,st|s1,s2,…,st为其它变量A2去掉时间戳变量的剩余变量,t为有限正整数，t≤n}，绘制出剩余变量A4的折线图，观察剩余变量A4的特性，将剩余变量A4通过主成分分析方法进行降维处理，得到矩阵P{p1,p2,…，pk|p1,p2,…，pk为剩余变量A4用主成分分析方法降维之后得到的数据，k为有限正整数，k≤t}；

(4)经验模态分解

对数据集中的时序数据A3进行经验模态分解，得到包含本征模函数和余量的矩阵I{IMF1,IMF2,…，IMFs，r|IMFe为本征模函数，e＝1,2,…，s；s为经验模态分解得到的本征模函数个数，r为余量}；

(5)数据标准化处理

每一个本征模函数IMFe和余量r分别与二进制编码矩阵B，矩阵P，拼接成e个新的数据集Ce{IMFe,B,P}和数据集Cr{r,B,P}，对所有数据集Ce和数据集Cr，用数据标准化处理方法进行处理，得到对应的数据集De{d1,d2,…，dg|d1,d2,…，dg为数据集Ce经过数据标准化方法处理后得到的数据，g为有限正整数}和数据集Dr{d1,d2,…，dg|d1,d2,…，dg为数据集Cr经过数据标准化方法处理之后得数据}，按下式将数据集Ce和数据集Cr中的所有数据投影到[‑1,1]区间：*

其中，x为数据集Ce和数据集Cr每一个变量的数据值标准化后得到的在[‑1，1]区间的值，xmean为数据集Ce和数据集Cr中每一个变量的数据值的平均值，xmax为数据集Ce和数据集Cr中的每一个变量值中的最大值，xmin为数据集Ce和数据集Cr中每一个变量值中的最小值；

(6)前馈神经网络训练

将数据集De和数据集Dr作为前馈神经网络的输入，并且将数据集De和数据集Dr的样本分为训练集和测试集，训练集与测试集的样本比为450：1，将数据集De和数据集Dr对应的本征模函数IMFe和余量r作为输出，本征模函数IMFe和余量r也分为训练集和测试集，训练集与测试集的样本比为450：1，将训练集依次输入前馈神经网络进行预测模型训练，当训练目标最小误差小于0.001时停止训练，得到预测模型；

(7)对测试集测试

测试集依次输入对应预测模型，得到预测结果，所有预测结果相加得到预测值的总和，确定预测结果总和与真值的标准差。

2.根据权利要求1所述的基于经验模态分解和前馈神经网络时序数据的预测方法，其特征在于在主成分分析方法降维步骤(3)中，所述的主成分分析方法为：(1)构建n个样本矩阵

采集原始数据变量的标准化p维随机向量x，构建n个样本矩阵T

x＝(x1,x2,K,xp)

T

xi＝(xi1,xi2,...,xin)

其中，n、p为有限正整数，n>p，对矩阵x进行如下标准化变化：2

其中Zij为xij标准化后的值，xi为所有元素的平均值，Sj为xi所有元素的均方根，变换后得标准化矩阵Z；

(2)确定相关系数矩阵

按下式确定相关系数矩阵R：

其中，i、j为有限正整数；

(3)确定单位特征向量

按下式得p个特征根：

|R‑λIp|＝0

按下式得m的值，确定主成分：

其中t代表信息的利用率，对每个λj，

Rbj＝λjbj

得单位特征向量

(4)将标准化后的变量转换为主成分

按下式确定主成分：

(5)对得到的m个主成分进行加权求和，权数为每个主成分的方差贡献率，得到最终评价值。

3.根据权利要求1所述的基于经验模态分解和前馈神经网络时序数据的预测方法，其特征在于在经验模态分解步骤(4)中，所述的经验模态分解方法步骤如下：(1)找出原始时序数据序列x(t)的所有极大值点与极小值点，用三次样条插值函数拟合形成数据的上包络线和下包络线；

(2)确定上包络线、下包络线的均值m1(t)如下：其中up(t)为极大值形成的上包络线，low(t)为下包络线；

(3)确定本征模函数

x(t)‑m1(t)＝h1(t)

将h1(t)视为新的信号x(t),重复步骤(1)、(2)，直至h1(t)满足下述本征模函数的条件：

1)该函数在整个时间范围内，局部极值点和过零点的数目相等或相差1个；

2)在任意时刻，局部最大值的上包络线和局部最小值的下包络线平均为零；

(4)按下式确定剩余分量r1(t)

r1(t)＝x(t)‑h1(t)

其中h1(t)为第一个本征模函数；.

(5)将剩余分量r1(t)作为新的原始数据，重复步骤(1)～(4)，直至得到所有的本征模函数和1个趋势项。