由于模型为一步预测,时间序列中的异常值若 不进行处理,会影响后续数据识别的准确性.对于数据自识别方法,异常值则会影响预测置信区间的 走势,导致在后续的识别过程中某些异常值仍保留 在置信区间内,甚至会有一些正常值脱离置信区间,出现连续的误判.因此,及时将检测出的异常值进行修正是极其必要的,进行修正的过程即数据 反馈矫正(datafeedbackcorrection,DFC).相似的分析[１２]在电力系统的短期载入数据预测中进行过 研究.移动平均法、数据的横向与纵向比较和概率 法等都被广泛应用于数据反馈矫正,研究中选用移动平均法替换已识别出的异常值以确保模型识别的 准确性.移动平均法公式为
其中:xt 为异常数据的修正值;n为移动平均的时 期个 数;由 于 采 用 切 分 序 列,一 般 情 况 下 xt－１、 xt－２以及xt－n分别为前一天、前两天和前n 天的流 量数据.本研究中,n的值为７,则此公式的含义为当使用 ARMA 模型检测出异常值后,则使用前７ 天处于相同时刻的流量的均值修正该异常数据.
