多任務(wù)學(xué)習(xí)在時間序列預(yù)測中的研究及應(yīng)用.pdf

1、時間序列是一種常見的數(shù)據(jù)結(jié)構(gòu)，廣泛地存在于人類社會活動和客觀世界中。時間序列預(yù)測旨在依據(jù)時間序列中隱含的內(nèi)在變化規(guī)律建立數(shù)學(xué)模型，挖掘其隱含的時間演變關(guān)系，從而實現(xiàn)對序列未來發(fā)展趨勢的預(yù)測。深入分析來源于不同觀測事物的時間序列數(shù)據(jù)，挖掘蘊(yùn)含的可用信息，對辨識事物發(fā)展趨勢、刻畫事物間的相關(guān)特性以及對事物變化的決策與把控等有重要的實際意義。目前，基于數(shù)據(jù)驅(qū)動建模的時間序列預(yù)測方法可分為全局模型和局部模型。由現(xiàn)實世界得到的時間序列數(shù)據(jù)往往具有

2、強(qiáng)非線性和不確定性等特點，這就使得傳統(tǒng)的預(yù)測模型難以有效建模，從而限制了模型的預(yù)測精度?；谌繗v史數(shù)據(jù)建模的全局模型雖然方法簡單，但是對于序列中的異常值有較高的敏感性。針對上述問題，本文提出了一種基于云模型相似性度量的局部建模方法，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)（BPNN）和最小二乘支持向量機(jī)（LS-SVM）建立預(yù)測模型，可有效提高序列的預(yù)測精度。
　　本研究主要內(nèi)容包括：⑴分析了幾種常見時間序列相似性度量方法的優(yōu)勢和不足，并對兩種不同類型

3、的時間序列預(yù)測方法進(jìn)行了對比；⑵針對原始時間序列數(shù)據(jù)具有非線性、復(fù)雜性以及不確定性等問題，采用云模型理論對原始序列以及一階差分處理后的序列同時進(jìn)行時間序列表示；⑶針對傳統(tǒng)距離函數(shù)難以有效度量包含不確定性因素的數(shù)據(jù)，提出了基于云模型相似性度量的局部建模方法，并采用BPNN和LS-SVM建立預(yù)測模型進(jìn)行建模和預(yù)測；⑷針對單任務(wù)學(xué)習(xí)方法在處理時間序列中存在的信息挖掘不充分、預(yù)測精度低等問題，在提出的局部建模方法的框架下，將多任務(wù)學(xué)習(xí)用于時間序