基于情景聚類與經(jīng)驗(yàn)?zāi)B(tài)分解的弱可用多元時(shí)間序列預(yù)測(cè)方法.pdf

1、隨著大數(shù)據(jù)時(shí)代的到來(lái)，預(yù)測(cè)成為了大數(shù)據(jù)時(shí)代的核心。然而隨著大量數(shù)據(jù)的收集，噪聲數(shù)據(jù)、缺失數(shù)據(jù)、不一致數(shù)據(jù)等不可完全修復(fù)的弱可用數(shù)據(jù)(Weakly Usable Data)也被同時(shí)被帶到了多元時(shí)間序列中，構(gòu)成了弱可用多元時(shí)間序列(Weakly UsableMultivariate Time Series，WUMTS)，最終將使預(yù)測(cè)計(jì)算的結(jié)果不準(zhǔn)確、數(shù)據(jù)挖掘的結(jié)果有偏差。因此，如何在弱可用多元時(shí)間序列中進(jìn)行有效的、準(zhǔn)確的、具有魯棒性的預(yù)測(cè)計(jì)

2、算，正是本論文研究的重點(diǎn)問(wèn)題和核心問(wèn)題。由此也可說(shuō)明本論文的研究具有重要學(xué)術(shù)價(jià)值和實(shí)際工程意義。本研究在分析弱可用多元時(shí)間序列特點(diǎn)的基礎(chǔ)上，針對(duì)其不完整和不精確的特點(diǎn)，分別從弱可用多元時(shí)間序列預(yù)處理、組合預(yù)測(cè)、補(bǔ)償誤差三個(gè)方面，提出了適用于弱可用多元時(shí)間序列的預(yù)測(cè)計(jì)算方法。
　　本研究主要內(nèi)容包括：⑴針對(duì)常用的預(yù)測(cè)計(jì)算方法未考慮到數(shù)據(jù)弱可用的問(wèn)題，提出了一個(gè)適用于弱可用多元時(shí)間序列的預(yù)測(cè)計(jì)算方法總體架構(gòu)。在傳統(tǒng)預(yù)測(cè)計(jì)算方法框架上，

3、構(gòu)建包括弱可用多元時(shí)間序列預(yù)處理、細(xì)粒度分解、組合預(yù)測(cè)和分量預(yù)測(cè)結(jié)果重組在內(nèi)的弱可用多元時(shí)間序列預(yù)測(cè)方法框架。⑵針對(duì)弱可用多元時(shí)間序列不完整和不精確的兩個(gè)特點(diǎn)，提出了弱可用多元時(shí)間序列預(yù)處理方法，包括對(duì)弱可用多元時(shí)間序列的集成規(guī)約、變換，缺失值填補(bǔ)，基于稀疏分解的去噪處理和基于主成分分析的降維處理，構(gòu)成弱可用多元時(shí)間序列預(yù)處理模塊，使得弱可用多元時(shí)間序列的可用性在一定程度上有所提高。⑶針對(duì)組合預(yù)測(cè)需要對(duì)弱可用多元時(shí)間序列進(jìn)行有效分解的問(wèn)

4、題，提出了弱可用多元時(shí)間序列的細(xì)粒度分解方法，主要包括因素自適應(yīng)情景聚類和序列值EMD分解，有效地削弱了弱可用多元時(shí)間序列對(duì)因素的敏感性和序列值間的相關(guān)性，構(gòu)成了弱可用多元時(shí)間序列細(xì)粒度分解模塊。⑷針對(duì)預(yù)測(cè)算法對(duì)弱可用多元時(shí)間序列的適應(yīng)性問(wèn)題，提出了基于Adaboost的組合預(yù)測(cè)方法，通過(guò)備選弱預(yù)測(cè)器的自適應(yīng)選擇，最終利用Adaboost算法組合成強(qiáng)預(yù)測(cè)器，實(shí)現(xiàn)對(duì)每一個(gè)細(xì)粒度分解結(jié)果分量的組合預(yù)測(cè)，構(gòu)成基于Adaboost的組合預(yù)測(cè)模塊