基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)序預(yù)測模型的研究.pdf

1、作為一種時(shí)序挖掘技術(shù)，時(shí)間序列的分析與預(yù)測對科學(xué)研究、工業(yè)生產(chǎn)、商業(yè)管理等行業(yè)決策具有重要的參考意義，一般通過對歷史時(shí)序數(shù)據(jù)構(gòu)建模型，預(yù)測未來一段時(shí)期內(nèi)時(shí)序數(shù)值。現(xiàn)今時(shí)序預(yù)測模型可分為兩類——傳統(tǒng)時(shí)序預(yù)測模型與基于機(jī)器學(xué)習(xí)技術(shù)的時(shí)序預(yù)測模型。傳統(tǒng)時(shí)序預(yù)測模型受限于自身結(jié)構(gòu)與回歸機(jī)制，導(dǎo)致對復(fù)雜時(shí)序數(shù)據(jù)的預(yù)測結(jié)果不夠精確；基于機(jī)器學(xué)習(xí)技術(shù)的時(shí)序預(yù)測模型需要充足的時(shí)序數(shù)據(jù)供模型訓(xùn)練，易忽略時(shí)序數(shù)據(jù)中少量的關(guān)鍵特征，使其不能穩(wěn)定地把握時(shí)序的運(yùn)

2、動(dòng)趨勢；并且大量時(shí)序數(shù)據(jù)的反復(fù)訓(xùn)練過程，會(huì)明顯降低模型構(gòu)建的效率。針對以上問題，本文以時(shí)序預(yù)測模型為研究對象，通過改進(jìn)時(shí)間序列的降維表示法，并結(jié)合傳統(tǒng)時(shí)序預(yù)測模型與機(jī)器學(xué)習(xí)技術(shù)，提出新型的時(shí)序預(yù)測混合模型。
　　本研究主要內(nèi)容包括：⑴基于二分迭代SAX的相似性度量算法。為解決SAX表示法中分段數(shù)選擇的問題，通過引入SW算法中窗口劃分的依據(jù)，重新構(gòu)造分段方式與順序，使算法能夠自適應(yīng)地根據(jù)時(shí)序的數(shù)值分布特征對序列劃分分段，從而解決分段

3、數(shù)的不確定性，并提高SAX表示法的準(zhǔn)確性。⑵基于BP神經(jīng)網(wǎng)絡(luò)的對數(shù)周期冪律混合模型。通過以對數(shù)周期冪律模型為基礎(chǔ)，構(gòu)建時(shí)序趨勢模型；以趨勢模型的殘差時(shí)序數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，訓(xùn)練能夠捕捉時(shí)序細(xì)微震蕩特征的殘差神經(jīng)網(wǎng)絡(luò)；將時(shí)序趨勢模型與殘差神經(jīng)網(wǎng)絡(luò)相融合，實(shí)現(xiàn)更為精準(zhǔn)的時(shí)序預(yù)測。⑶基于SAX表示法的對數(shù)周期冪律混合模型。將SAX表示法引入基于BP神經(jīng)網(wǎng)絡(luò)的對數(shù)周期冪律混合模型，簡化混合模型中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，使其在保持一定