本发明公开了一种运载火箭数据预测方法及装置、存储介质和电子设备，该方法包括：步骤S101，确定加权系数向量K；步骤S102，基于所述加权系数向量K计算得到加权预测值集合ZP_final；步骤S103,基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出。本申请将AR模型作为随机性模型与回归分析模型作为确定性模型相结合，应用在火箭测试数据的预测方面，不仅能够单纯测度出某一因素影响，还能够根据已经测试好的数据预测出即将出现的数据。
对原始的运载火箭测试数据进行预处理，将与运载火箭测试数据呈现的规律不匹配的数据去除；
步骤S101，确定加权系数向量K；其中，确定加权系数向量K包括：确定滑动窗口的宽度L及每次需预测数据的个数f，获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口；
构建AR函数模型，将所述窗口内的第1个数据至第L个数据输入所述AR函数模型得到第一预测值集合Y1；
构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入所述回归分析函数模型得到第二预测值集合Y2；
基于所述第一预测值集合Y1和所述第二预测值集合Y2，利用极小化残差平方和方法计算得到加权系数向量K；
基于所述第一预测值集合Y1和所述第二预测值集合Y2，利用极小化残差平方和方法计算得到加权系数向量K的步骤包括：计算所述第一预测值集合Y1内的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1；
计算所述第二预测值集合Y2的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2；
采用极小化残差平方和方法对所述第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K；
步骤S102，基于所述加权系数向量K计算得到加权预测值集合ZP_final；
步骤S103,基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出，以实现对运载火箭测试数据的提前预测，基于全部的加权预测值的值，确定运载火箭中的设备是否出现故障。
2.根据权利要求1所述的运载火箭数据预测方法，其特征在于，所述步骤S102包括：将所述窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口；
将新窗口内的第1个数据至第L个数据输入所述AR函数模型得到第三预测值集合ZP1；
将新窗口内的第1个数据至第L个数据输入所述回归分析函数模型得到第四预测值集合ZP2；
将所述第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与所述加权系数向量K相乘，并将相乘后两个集合中对应的数据进行加和，得到所述加权预测值集合ZP_final。
3.根据权利要求1所述的运载火箭数据预测方法，其特征在于，所述步骤S103包括：若所述加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，则确定运载火箭设备出现故障，算法结束，将所述加权预测值集合ZP_final内全部的加权预测值输出并存储。
4.根据权利要求1或3所述的运载火箭数据预测方法，其特征在于，所述步骤S103包括：若所述加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D；
若所述加权预测值的总数低于所述预设值N，则重复所述步骤S102和步骤S103,直到所述加权预测值的总数不低于所述预设值N后，将全部的加权预测值集合ZP_final内全部的加权预测值输出并存储。
加权系数向量计算模块(10)，对原始的运载火箭测试数据进行预处理，将与运载火箭测试数据呈现的规律不匹配的数据去除；确定加权系数向量K；所述加权系数向量计算模块(10)，确定加权系数向量K包括：确定滑动窗口的宽度L及每次需预测数据的个数f，获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口；
构建AR函数模型，将所述窗口内的第1个数据至第L个数据输入所述AR函数模型得到第一预测值集合Y1；
构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入所述回归分析函数模型得到第二预测值集合Y2；
基于所述第一预测值集合Y1和所述第二预测值集合Y2计算得到加权系数向量K；
其中，基于所述第一预测值集合Y1和所述第二预测值集合Y2，利用极小化残差平方和方法计算得到加权系数向量K的步骤包括：计算所述第一预测值集合Y1内的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1；
计算所述第二预测值集合Y2的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2；
采用极小化残差平方和方法对所述第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K；
加权预测值集合计算模块(20)，基于所述加权系数向量K计算得到加权预测值集合ZP_final；
比较输出模块(30)，基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出，以实现对运载火箭测试数据的提前预测，基于全部的加权预测值的值，确定运载火箭中的设备是否出现故障；
显示模块，用于将全部的加权预测值ZP_final显示出来。
6.根据权利要求5所述的运载火箭数据预测装置，其特征在于，加权预测值集合计算模块(20)，基于所述加权系数向量K计算得到加权预测值集合ZP_final包括：将所述窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口；
将新窗口内的第1个数据至第L个数据输入所述AR函数模型得到第三预测值集合ZP1；
将新窗口内的第1个数据至第L个数据输入所述回归分析函数模型得到第四预测值集合ZP2；
将所述第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与所述加权系数向量K相乘，并将相乘后两个集合中对应的数据进行加和，得到所述加权预测值集合ZP_final。
7.根据权利要求5所述的运载火箭数据预测装置，其特征在于，比较输出模块(30)，基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出的步骤包括：若所述加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，确定运载火箭中的设备出现故障，则算法结束，将所述加权预测值集合ZP_final内全部的加权预测值输出并存储。
8.根据权利要求5或7所述的运载火箭数据预测装置，其特征在于，比较输出模块(30)，基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出包括：若所述加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D；
若所述加权预测值的总数低于所述预设值N，则所述加权预测值集合计算模块(20)和所述比较输出模块(30)再次运行,直到所述加权预测值的总数不低于所述预设值N后，将全部的加权预测值集合ZP_final内全部的加权预测值输出并存储。
9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1-4中任意一项所述运载火箭数据预测方法的步骤。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-4中任意一项所述运载火箭数据预测方法的步骤。
一种运载火箭数据预测方法及装置、存储介质和电子设备
技术领域
[0001] 本发明涉及数据处理技术领域，尤其是一种运载火箭数据预测方法及装置、存储介质和电子设备。
背景技术
[0002] 上世纪70年代，G.E.P.Box和G.M.Jenkins发展了满足有限参量线性模型的离散参量预测递推算法(Box-Jenkins模型)，为将预测理论与计算机结合提供了可能。随着计算机技术的发展，AR、MA、ARMA以及ARIMA等模型得到了广泛应用。
[0003] 目前，对于组合预测模型的研究是一个热点，众多学者提出了组合式时间序列预测方法，如基于Hilbert-Huang变换和ARMA模型的时间序列预测方法、基于小波分析法和滚动式时间序列预测算法的优化预测方法、针对非平稳的时间序列的基于小波和核平滑的预测方法、针对先验知识不足提出的一种自适应模型选择(PAAMS)的预测方法等。
[0004] 组合预测模型的一个重要研究方向是组合权重的选择与计算，目前已经出现了大量组合权重的选择方法。使用最广泛的是简单的加权平均，但是该方法不能利用之前包含预测精确度的信息，因此采用加权平均这种方法，存在精确度不高的问题。另一个简单的方法是将各独立的预测进行线性混合，也就是说，将过去预测值和过去的观测值这两个矩阵中取出一部分数据进行组合成多种矩阵，找出多种矩阵中相关性最高的矩阵，然后再通过最小二乘法(Ordinary Least Square,OLS)的方式确定组合权重，由于矩阵的数量很多，需要处理的量很大，导致了采用最小二乘法的效率不高。而对于运载火箭测试数据的趋势预测中，很少有人使用时间序列预测的方法。
发明内容
[0005] 本发明的目的是提供一种运载火箭测试数据的预测方法及装置，基于AR函数模型和回归分析函数模型对火箭测试数据进行预测，得到两种预测方式对应的预测值，对两种方法得到的预测值进行处理，通过极小化残差平方和方法计算关于预测值的加权系数，根据该加权系数得到最终的预测值。能够实现对运载火箭测试数据的提前预测，基于提前预测的值，可以确定火箭内的设备是否出现故障，能够对火箭内部的设备提前进行整修，以免出现更严重的问题。
[0006] 为解决上述问题，本发明的第一方面提供了一种运载火箭测试数据的预测方法，包括：步骤S101，确定加权系数向量K；步骤S102，基于加权系数向量K计算得到加权预测值集合ZP_final；步骤S103,基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将加权预测值集合ZP_final内全部的加权预测值输出。
[0007] 进一步地，步骤S101包括：确定滑动窗口的宽度L及每次需预测数据的个数f，获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口；构建AR函数模型，将所述窗口内的第1个数据至第L个数据输入所述AR函数模型得到第一预测值集合Y1；构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入所述回归分析函数模型得到第二预测值集合Y2；基于第一预测值集合Y1和第二预测值集合Y2计算得到加权系数向量K。
[0008] 进一步地，计算得到加权系数向量K的步骤包括：计算第一预测值集合Y1内的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1；计算第二预测值集合Y2的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2；采用极小化残差平方和方法对第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K。
[0009] 进一步地，步骤S102包括：将窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口；将新窗口内的第1个数据至第L个数据输入AR函数模型得到第三预测值集合ZP1；将新窗口内的第1个数据至第L个数据输入回归分析函数模型得到第四预测值集合ZP2；将第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与加权系数K相乘，并将相乘后两个集合中对应的数据进行加和，得到加权预测值集合ZP_final。
[0010] 进一步地，步骤S103包括：若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，则算法结束，将加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0011] 进一步地，步骤S103包括：若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D；判断加权预测值的总数是否低于预设值N，若加权预测值的总数低于预设值N，则重复步骤S102和步骤S103,直到加权预测值的总数不低于预设值N后，将全部的加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0012] 本发明的又一方面提供了一种运载火箭数据预测装置，包括：加权系数向量计算模块，确定加权系数向量K；加权预测值集合计算模块，基于所述加权系数向量K计算得到加权预测值集合ZP_final；比较输出模块，基于所述加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将加权预测值集合ZP_final内全部的加权预测值输出。
[0013] 进一步地，加权系数向量计算模块，确定加权系数向量K包括：确定滑动窗口的宽度L及每次需预测数据的个数f，获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口；构建AR函数模型，将所述窗口内的第1个数据至第L个数据输入所述AR函数模型得到第一预测值集合Y1；构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入所述回归分析函数模型得到第二预测值集合Y2；基于第一预测值集合Y1和第二预测值集合Y2计算得到加权系数向量K。
[0014] 进一步地，计算得到加权系数向量K的步骤包括：计算所述第一预测值集合Y1内的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1；计算第二预测值集合Y2的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2；采用极小化残差平方和方法对第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K。
[0015] 进一步地，加权预测值集合计算模块，基于加权系数向量K计算得到加权预测值集合ZP_final包括：将窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口；将新窗口内的第1个数据至第L个数据输入所述AR函数模型得到第三预测值集合ZP1；将新窗口内的第1个数据至第L个数据输入回归分析函数模型得到第四预测值集合ZP2；将第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与加权系数K相乘，并将相乘后两个集合中对应的数据进行加和，得到加权预测值集合ZP_final。
[0016] 进一步地，比较输出模块，基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将加权预测值集合ZP_final内全部的加权预测值输出的步骤包括：若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，则算法结束，将所述加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0017] 进一步地，比较输出模块，基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将加权预测值集合ZP_final内全部的加权预测值输出包括：若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D；判断加权预测值的总数是否低于预设值N，若加权预测值的总数低于所述预设值N，则所述加权预测值集合计算模块和比较输出模块再次运行,直到加权预测值的总数不低于预设值N后，将全部的加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0018] 本发明的另一方面，提供了一种存储介质，存储介质上存储有计算机程序，程序被处理器执行时实现上述运载火箭数据预测方法的步骤。
[0019] 本发明的又一方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述运载火箭数据预测方法的步骤。
[0020] 本发明的上述技术方案具有如下有益的技术效果：
[0021] 本发明提供的运载火箭测试数据预测方法及装置，基于AR函数模型和回归分析函数模型对火箭测试数据进行预测，得到两种预测方式对应的预测值，对两种方法得到的预测值进行处理，通过极小化残差平方和方法计算关于预测值的加权系数，根据该加权系数得到最终的预测值。能够实现对运载火箭测试数据的提前预测，基于提前预测的值，可以确定火箭内的设备是否出现故障，能够对火箭内部的设备提前进行整修，以免出现严重的问题。
附图说明
[0022] 图1是根据本发明第一实施方式的运载火箭数据预测方法流程示意图；
[0023] 图2是根据本发明第二实施方式的运载火箭数据预测装置结构示意图；
[0024] 图3是根据本发明第二实施方式的运载火箭数据预测装置内的算法示意图。
具体实施方式
[0025] 为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0026] 图1是根据本发明第一实施方式的运载火箭数据的预测方法流程示意图。
[0027] 如图1所示，该方法包括步骤S101-步骤S103。
[0028] 可选的，在步骤S101之前，对原始的运载火箭测试数据进行预处理。去除明显具有错误的数据。例如，大部分运载火箭测试数据能够呈现一定的规律，将与规律明显不匹配的数据去除。比如，一百个数据中，有八十五个呈现线性关系，其余十五个比较离散，则将这十五个数据去除。
[0029] 步骤S101，确定加权系数向量K。
[0030] 在一个实施方式中，确定加权系数向量K的步骤包括：步骤S1011-步骤S1014。
[0031] 步骤S1011，获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口，L为滑动窗口的宽度，确定每次需预测数据的个数f。
[0032] 步骤S1012，构建AR函数模型，将窗口内的第1个数据至第L个数据输入AR函数模型得到第一预测值集合Y1。其中，第一预测值集合Y1中含有f个数据，这f个数据表示为Y1＝[y11，y12，…，y1f]。
[0033] 步骤S1013，构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入回归分析函数模型得到第二预测值集合Y2。其中，第二预测值集合Y2也有f个数据，这f个数据表示为Y2＝[y21，y22，…，y2f]。。
[0034] 需要说明的是，第二预测值集合Y2中的这f个数据的顺序与第一预测值集合Y1中的f个数据的顺序一一对应。也就是说，y11和y21分别是采用两种函数对L+f个数据中的第L+1位数预测得到的预测值。
[0035] 步骤S1014，基于第一预测值集合Y1和第二预测值集合Y2计算得到加权系数向量K。
[0036] 在一个优选的实施方式中，上述S1014包括以下步骤：
[0037] 计算第一预测值集合Y1内的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1。也就是说，将第一预测值集合Y1内的每个数据与实际获取的第L+1至第L+f数据一一计算残差。
[0038] 计算第二预测值集合ZP2的每个数据与所述第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2。
[0039] 采用极小化残差平方和方法对第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K。其中，加权预测系数向量 极小化残差方法为现有技术，此处不在详细说明。
[0040] 步骤S102，基于所述加权系数向量K计算得到加权预测值集合ZP_final。
[0041] 在一个实施方式中，步骤S102包括步骤S1021-步骤S1024。
[0042] 步骤S1021，将窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口。
[0043] 步骤S1022，将新窗口内的第1个数据至第L个数据输入AR函数模型得到第三预测值集合ZP1。其中，
[0044] 步骤S1023，将新窗口内的第1个数据至第L个数据输入回归分析函数模型得到第四预测值集合ZP2。其中，
[0045] 步骤S1024，将第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与加权系数K相乘，并将相乘后两个集合中对应的数据进行加和，得到加权预测值集合ZP_final，其中，
[0046]
[0047] 需要说明的是，一般在运载火箭测试数据中较为稳定，因此，优选的方式是加权系数向量K确定后，在步骤S102中不基于更新的火箭测试数据重新计算加权系数向量K,可以减少数据处理量，提高运行速度。当然，若基于更新的火箭测试数据重新计算加权系数向量K,则预测的精度会提高，但是运行速度会减慢。
[0048] 步骤S103,基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将所述加权预测值集合ZP_final内全部的加权预测值输出。
[0049] 在一个实施方式中，步骤S103可以是:若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，则算法结束，将加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0050] 在一个实施方式中，步骤S103为：若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D，则判断加权预测值的总数是否低于预设值N，若加权预测值的总数低于预设值N，则重复步骤S102和步骤S103,直到加权预测值的总数不低于预设值N后，将加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0051] 需要说明的是，基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果中，比较结果还可以是方差、方差平方和或者方差平均数、方差平方和的平均数等等。
[0052] 根据时间序列分析的相关理论，时间序列模型可分为确定性模型和随机性模型。一方面，本申请考虑了对于火箭测试信号，由于存在随机干扰，影响信号的不确定因素较多，因此，本申请选用了随机模型对火箭测试数据进行预测。另一方面，本申请考虑了在系统出现故障时，有些因素是确定的(故障因素)，这种确定性的因素不断地影响着系统，导致测试数据出现某种确定的趋势，因此，本申请还选用了确定性模型对于火箭测试数据进行预测。基于以上两种考虑，本申请将AR模型作为随机性模型与回归分析模型作为确定性模型相结合，应用在火箭测试数据的预测方面，不仅能够单纯测度出某一因素影响，还能够根据已经测试好的数据预测出即将出现的数据。
[0053] 本发明提供的运载火箭测试数据的预测方法及装置，基于AR函数模型和回归分析函数模型对火箭测试数据进行预测，得到两种预测方式对应的预测值，对两种方法得到的预测值进行处理，通过极小化残差平方和方法计算关于预测值的加权系数，根据该加权系数得到最终的预测值。能够实现对运载火箭测试数据的提前预测，基于提前预测的值，可以确定火箭内的设备是否出现故障，如果火箭内部的设备可能出现故障，技术人员能够对火箭内部的设备提前进行整修，以免出现更大的问题。
[0054] 图2是根据本发明第二实施方式的运载火箭测试数据预测装置结构示意图。
[0055] 如图2所示，该装置包括：加权系数向量计算模块10、加权预测值集合计算模块20和比较输出模块30。
[0056] 加权系数向量计算模块10，确定加权系数向量K。
[0057] 在一个实施例中，加权系数向量计算模块10获取运载火箭当前测试中的第1个到第L+f个数据,将第1个数据到第L个数据建立窗口，L为滑动窗口的宽度，确定每次需预测数据的个数f；
[0058] 构建AR函数模型，将所述窗口内的第1个数据至第L个数据输入所述AR函数模型得到第一预测值集合Y1；
[0059] 构建回归分析函数模型，将L+f个数据中的第1个数据至第L个数据输入所述回归分析函数模型得到第二预测值集合Y2；
[0060] 基于第一预测值集合Y1和第二预测值集合Y2计算得到加权系数向量K。
[0061] 进一步地，基于第一预测值集合Y1和第二预测值集合Y2计算得到加权系数向量K包括：计算第一预测值集合Y1内的每个数据与所述第L+1至第L+f个数据中对应的数据之间的残差，得到第一残差集合C1；计算第二预测值集合Y2的每个数据与第L+1至第L+f个数据中对应的数据之间的残差，得到第二残差集合C2；采用极小化残差平方和方法对第一残差集合C1和第二残差集合C2进行计算，得到加权系数向量K。
[0062] 加权预测值集合计算模块，基于加权系数向量K计算得到加权预测值集合ZP_final。
[0063] 在一个实施方式中，加权预测值集合计算模块将窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口；将新窗口内的第1个数据至第L个数据输入所述AR函数模型得到第三预测值集合ZP1；将新窗口内的第1个数据至第L个数据输入所述回归分析函数模型得到第四预测值集合ZP2；将第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与加权系数向量K相乘，并将相乘后两个集合中对应的数据进行加和，得到加权预测值集合ZP_final。
[0064] 比较输出模块，基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果，将加权预测值集合ZP_final内全部的加权预测值输出。
[0065] 在一个实施例中，比较输出模块确定，若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差超过预设值D，则算法结束，将加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0066] 在一个实施例中，比较输出模块确定，若加权预测值集合ZP_final内加权预测值的平均数和与其对应的火箭测试数据的实际值的平均数之差低于预设值D；判断加权预测值的总数是否低于预设值N，若加权预测值的总数低于预设值N，则加权预测值集合计算模块和比较输出模块再次运行,直到加权预测值的总数不低于预设值N后，将全部的加权预测值集合ZP_final内全部的加权预测值输出并存储。
[0067] 需要说明的是，基于加权预测值集合ZP_final和与其相对应的火箭测试数据的实际值的比较结果中，比较结果还可以是方差、方差平方和或者方差平均数、方差平方和的平均数等等。
[0068] 在一个实施例中，上述装置还包括显示模块，将全部的加权预测值ZP_final显示出来。
[0069] 在一个实施例中，上述装置还可与打印机连接，将全部的加权预测值集合ZP_final打印在纸上。
[0070] 可选的，将全部的加权后的预测值ZP_final与运载火箭测试的数据实际值进行比较，根据经验可以确定运载火箭的哪一部分可能出现故障，从而对可能出现故障的部分及时检修，防止设备损坏的更厉害，进一步达到保护设备的目的。
[0071] 图3是根据本发明第二实施方式的运载火箭测试数据的预测装置内的算法示意图。
[0072] 如图3所示，该算法流程具体是：
[0073] 首次预测时，获取运载火箭测试数据中最新的L+f个数据。根据第1个数到第L个数据建立一个窗口，确定L为滑动窗口的宽度，确定每次需预测数据的个数f。本申请第三实施方式以L等于10，每次程序预测的数据为2(f＝2)，首次获取了12个数据，一共想要预测得到5个数据(N＝5)为例进行说明。
[0074] 程序读取窗口中第1到第L+f个数据，将需要预测的数据个数2输入到程序中，计数器将预测的个数num记录为1。
[0075] 将第1到第L个数据和f值分别输入到AR函数模型和回归分析函数模型中，分别得到第一预测值集合Y1和第二预测值集合Y2。其中第一预测值集合中有2个数，第二预测值集合也有2个数。这两个数分别是对读取的12个数据中第十一位和第十二位所预测得到的。
[0076] 将第一预测值集合Y1中的每个数据与第L+1至第L+f个数据中对应的数据之间计算残差，得到第一残差集合C1。在本实施例中，也就是将第一预测值集合中的所预测的两个数按照先后顺序一一与第十一和第十二位数据进行计算，得到相应的两个残差C11和C12。
[0077] 将第二预测值集合Y2中的每个数据与第L+1至第L+f个数据中对应的数据之间计算残差，得到第二残差集合C2。在本实施例中，也就是将第二预测值集合中的所预测的两个数按照先后顺序一一与第十一和第十二位数据进行计算，得到相应的两个残差C21和C22。
[0078] 根据C1集合和C2集合通过极小化残差和的方法得到加权系数K。极小化残差和的方法为现有技术，此处不在说明。
[0079] 将窗口内第1到第f个数据去除，将更新的第L+1到第L+f个数加入形成新的窗口。也就是说在本实施例中将第1个和第2个数据去除，将首次获取的第11和第12位数据加入，形成长度为L的新的窗口。
[0080] 将新窗口内的第1个数据至第L个数据输入AR函数模型得到第三预测值集合ZP1。其中， 此时，第三预测值集合ZP1为第十三位和第十四位数据。
[0081] 将新窗口内的第1个数据至第L个数据输入所述回归分析函数模型得到第四预测值集合ZP2。其中， 此时，第四预测值集合ZP2为第十三位和第十四位数据。
[0082] 将第三预测值集合ZP1内的每个数据和第四预测值集合ZP2内的每个数据分别与加权系数向量K相乘，并将相乘后两个集合中对应的数据进行加和，得到加权预测值集合ZP_final。得到的加权预测值集合ZP_final就是我们真正预测的第十三位和第十四位数据。
[0083] 其中，
[0084] 将预测得到的第十三位和第十四位数据的平均数E和运载火箭测试数据实际的第十三位和第十四位数据的平均数F进行比较，如果|E-F|>预设值D，则说明运载火箭测试数据可能出现了问题，可能有的设备开始有故障，那么这时将全部的加权预测值集合输出并存储，停止运行程序。
[0085] 如果|E-F|低于预设值D，计数器从1变成了1+f,也就是变成了3。
[0086] 这时候，判断加权预测值的总数3是否低于预设值N(此实施例N＝5)，若加权预测值的总数低于预设值5，则再次更新窗口,直到加权预测值的总数不低于预设值5后，将全部的加权预测值集合ZP_final内的全部加权预测值输出并存储。也就是说，本实施例中，最后输出的是第十三、第十四、第十五、第十六、第十七和第十八位数据，共计输出了3次。
[0087] 一方面，本申请考虑了对于火箭测试信号，由于存在随机干扰，影响信号的不确定因素较多，因此，本申请选用了随机模型对火箭测试数据进行预测。另一方面，本申请考虑了在系统出现故障时，有些因素是确定的(故障因素)，这种确定性的因素不断地影响着系统，导致测试数据出现某种确定的趋势，因此，本申请还选用了确定性模型对于火箭测试数据进行预测。基于以上两种考虑，本申请将AR模型作为随机性模型与回归分析模型作为确定性模型相结合，应用在火箭测试数据的预测方面，不仅能够单纯测度出某一因素影响，还能够根据已经测试好的数据预测出即将出现的数据。
[0088] 本发明提供的运载火箭测试数据的预测方法及装置，基于AR函数模型和回归分析函数模型对火箭测试数据进行预测，得到两种预测方式对应的预测值，对两种方法得到的预测值进行处理，通过极小化残差平方和方法计算关于预测值的加权系数，根据该加权系数得到最终的预测值。能够实现对运载火箭测试数据的提前预测，基于提前预测的值，可以确定火箭内的设备是否出现故障，如果火箭内部的设备可能出现故障，技术人员能够对火箭内部的设备提前进行整修，以免出现更大的问题。
[0089] 应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
