基于局部模型的時間序列預(yù)測方法研究

《基于局部模型的時間序列預(yù)測方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于局部模型的時間序列預(yù)測方法研究RESEARCHONLOCALMODEL-BASEDTIMESERIESPREDICTION王軍2007年7月國內(nèi)圖書分類號：TP182國際圖書分類號：工學(xué)博士學(xué)位論文基于局部模型的時間序列預(yù)測方法研究博士研究生：王軍導(dǎo)師：彭喜元教授申請學(xué)位：工學(xué)博士學(xué)科、專業(yè)：儀器科學(xué)與技術(shù)所在單位：哈爾濱工業(yè)大學(xué)答辯日期：2007年7月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)ClassifiedIndex：TP182U.D.C.:DissertationfortheDoctoralDegreeinEngineeringRESEARCHON

2、LOCALMODEL-BASEDTIMESERIESPREDICTIONCandidate:WangJunSupervisor:Prof.PengXi-yuanAcademicDegreeAppliedfor:DoctorofEngineeringSpeciality:InstrumentScienceandTechnologyAffiliation:HarbinInstituteofTechnologyDateofDefence:July,2007Degree-Conferring-Institution:HarbinInstituteofTec

3、hnology摘要摘要時間序列分析一直受到國內(nèi)外學(xué)者的廣泛重視，成為一個具有重要理論和使用價值的熱點研究課題。時間序列預(yù)測是時間序列分析中的主要研究任務(wù)，在工業(yè)自動化、水文、地質(zhì)、股市以及軍事科學(xué)等領(lǐng)域都有著廣泛的應(yīng)用。目前，時間序列預(yù)測主要采用全局模型進行預(yù)測，其建模效率低、預(yù)測 性能不佳、模型實時更新的計算復(fù)雜度高。近年來，人們開始將數(shù)據(jù)挖掘、 模式識別、信號處理、混沌等理論及技術(shù)融合到時間序列的預(yù)測研究中，通 過對時間序列數(shù)據(jù)進行時域或頻域劃分，在各個局部時頻區(qū)域進行預(yù)測建模。 時間序列預(yù)測的局部模型不僅可以提高預(yù)測精度，而且可以降低時間序列

4、預(yù) 測模型的復(fù)雜度和預(yù)測建模的計算復(fù)雜度。但是，基于局部模型的預(yù)測方法 仍然有許多問題需要解決。本文從分解域和時間域兩個方面研究時間序列預(yù) 測的局部建模方法，重點討論了經(jīng)驗?zāi)Ｊ椒纸舛它c效應(yīng)處理、分解域局部模 型選擇與實時更新、任意形狀簇時間序列的自適應(yīng)聚類、時間序列分類的非 線性特征提取及快速屬性約簡、局部時域支持向量預(yù)測建模及增量更新等問 題。本文所取得的主要創(chuàng)新性成果包括：第一，針對經(jīng)驗?zāi)Ｊ椒纸獯嬖诙它c效應(yīng)問題，本文提出基于相似性搜索 的序列延拓方法進行端點效應(yīng)抑制。該方法利用線性時間序列或非線性時間 序列本身的自相似性，查找序列中與端點處模式

5、相似之處的前續(xù)或后續(xù)子序 列進行時間序列延拓，這使得延拓的子序列更接近于時間序列可能的前續(xù)或 后續(xù)序列，從而大大降低了端點效應(yīng)。此外，由于采用快速最近鄰搜索算法 進行相似子序列的搜索，基于相似性搜索的序列延拓方法的計算復(fù)雜度很低。 仿真實驗驗證了該端點效應(yīng)抑制方法的有效性。第二，本文在分解域各個內(nèi)稟模態(tài)函數(shù)(Intrinsicmodefunctions,IMF)分 量中采用徑向基神經(jīng)網(wǎng)絡(luò)和增量核空間獨立向量組合預(yù)測算法進行預(yù)測建 模，但是分解造成了模型參數(shù)選擇的計算負擔(dān)。為了解決該問題，本文提出 僅進行兩個分量的模型參數(shù)選擇，而其他分量的模型參數(shù)則

6、利用局部分量建模最優(yōu)參數(shù)取值與各個IMF之間的關(guān)系計算得到，從而大大降低了分解域預(yù) 測建模的計算負擔(dān)。此外，針對RBF神經(jīng)網(wǎng)絡(luò)實時更新慢的缺點，本文在各 個IMF分量預(yù)測建模中提出增量核空間獨立向量組合預(yù)測算法，該算法的計 算復(fù)雜度低。仿真實驗驗證了在分解域各個IMF分量采用RBF神經(jīng)網(wǎng)絡(luò)和-I-哈爾濱工業(yè)大學(xué)工學(xué)博士學(xué)位論文增量核空間獨立向量組合預(yù)測算法進行預(yù)測的性能優(yōu)于單一預(yù)測模型。第三，針對目前聚類的簇數(shù)目估計有效性準(zhǔn)則泛函不能有效地估計出正確簇數(shù)目，本文引入正則化思想提出基于懲罰方法的簇數(shù)目估計準(zhǔn)則泛函，該泛函隨簇數(shù)目變化的曲線是單峰或近似

7、單峰，這使得使用該泛函估計得到簇數(shù)目更準(zhǔn)確更魯棒。仿真實驗驗證了該有效性準(zhǔn)則泛函可以有效地估計出正確或接近正確的簇數(shù)目。第四，針對目前粗糙集屬性約簡算法的計算復(fù)雜度仍然較高的問題，本文提出基于函數(shù)映射的粗糙集快速屬性約簡算法，該算法利用空間逐漸收縮的最近鄰搜索算法實現(xiàn)各個樣本到各不可區(qū)分關(guān)系的快速映射，從而可以大大降低原有算法的計算復(fù)雜度。仿真結(jié)果表明基于函數(shù)映射的粗糙集快速屬性約簡算法隨數(shù)據(jù)規(guī)模變化和數(shù)據(jù)維數(shù)變化的伸縮性好。關(guān)鍵詞經(jīng)驗?zāi)Ｊ椒纸?；端點效應(yīng)；簇數(shù)目估計；粗糙集-II-AbstractAbstractTimeseriesanalysis

8、hascaughtthefocusofmanyresearchers,andbecomesa hotresearchfie