基于商空間的多因素時間序列分類預測.pdf

1、隨著計算機軟件、網(wǎng)絡科學技術(shù)的發(fā)展，現(xiàn)今社會的信息化程度越來越高，每天都有大量的信息產(chǎn)生并被以時間序列數(shù)據(jù)的形式存儲。面對如此龐大的信息量，如何利用這些數(shù)據(jù)序列成為很多領域的研究熱點。分類和預測作為兩種重要的時間序列數(shù)據(jù)分析形式，也獲得了廣大研究者的關(guān)注。隨著研究的深入，時間序列中存在的非線性、不確定等因素使得傳統(tǒng)的統(tǒng)計學方法或者靜態(tài)模型下的時間序列預測模型無法滿足當前的要求。神經(jīng)網(wǎng)絡因為其良好的自身特性，比較適合處理復雜的數(shù)據(jù)模型并從

2、中抽象出有用的信息。但傳統(tǒng)的神經(jīng)網(wǎng)絡存在的不足，使其應用受到限制。本文將針對多因素時間序列，使用構(gòu)造性神經(jīng)網(wǎng)絡和灰色理論相結(jié)合的模型完成對時間序列的分類預測和數(shù)值預測。
　　 為了更加有效地對多因素時間序列進行預測，本文引入了商空間粒度計算理論。從不同的層次、不同的角度對時間序列進行分析，將定性與定量兩種分析結(jié)合起來，降低問題的復雜性、突顯影響問題發(fā)展趨勢的特征屬性，有利于提高預測的效率和精度。
　　 本文主要工作如下：

3、
　　 (1)面對時間序列數(shù)據(jù)量大且數(shù)據(jù)質(zhì)量不一的情況，使用粒計算理論中的商空間粒度計算理論對時間序列中的粒度進行劃分并分析。通過?；c合成技術(shù)選擇不同的粒度，使得研究對象數(shù)據(jù)的特征更加明顯，以獲得更加全面的信息，并降低問題求解的復雜度。
　　 (2)在時間序列預測模型中，基于神經(jīng)網(wǎng)絡的預測模型較適合對多變量進行處理，常用來解決多因素時間序列預測問題。相對于傳統(tǒng)的神經(jīng)網(wǎng)絡，構(gòu)造性神經(jīng)網(wǎng)絡具有構(gòu)造性好、可理解性強、速度快等

4、特點。本文在構(gòu)造性神經(jīng)網(wǎng)絡的基礎上，針對初始化值對構(gòu)造性神經(jīng)網(wǎng)絡具有較大影響這一問題，提出多次覆蓋點與隨機選擇中心點交叉作為覆蓋中心以提高覆蓋中心的質(zhì)量。對已存在的覆蓋中心增加競爭機制，每個覆蓋中心通過比較擇優(yōu)留存。通過實驗對比發(fā)現(xiàn)，相對于普通的覆蓋算法，基于競爭的覆蓋算法提高了神經(jīng)元即覆蓋域的質(zhì)量。
　　 (3)在多因素時間序列預測中使用GM(1,1)(一元一階灰色模型)和構(gòu)造性神經(jīng)網(wǎng)絡混合預測模型。構(gòu)造性神經(jīng)網(wǎng)絡是一個非常優(yōu)

5、秀的分類網(wǎng)絡模型，本文使用該模型完成分類預測，對預測對象做出定性分析，即分類。根據(jù)時間序列隨時間的發(fā)展具有一定的趨勢性這一特征，將時間序列預測值分為趨勢值與狀態(tài)值兩個部分，分別進行預測。對時間序列的趨勢值，文中使用灰色理論的GM(1,1)模型進行預測，而狀態(tài)值將通過覆蓋算法進行預測。然后通過兩種預測模型的結(jié)合，綜合兩個預測值，獲得時間序列預測的最終結(jié)果。
　　 (4)實驗。采用煤礦瓦斯監(jiān)測數(shù)據(jù)進行具體預測實驗。分別使用構(gòu)造性神經(jīng)

6、網(wǎng)絡分類預測模型對瓦斯?jié)舛鹊淖兓厔葸M行預測，GM(1,1)與構(gòu)造性神經(jīng)網(wǎng)絡混合模型完成對瓦斯數(shù)值的預測。實驗結(jié)果表明，分類預測模型可以準確預測出瓦斯?jié)舛鹊淖兓厔?，根?jù)預測結(jié)果，在實際生產(chǎn)活動中可以提前采取措施，以保證生產(chǎn)安全。GM(1,1)與構(gòu)造性神經(jīng)網(wǎng)絡混合預測模型在瓦斯?jié)舛戎档念A測實驗中，混合預測模型在的結(jié)果明顯優(yōu)于GM(1,1)模型的結(jié)果，相對于其他網(wǎng)絡模型，也具有計算量小，精度高的預測效果。通過實驗，驗證了該混合預測模型的有