时间序列预测模型及其算法研究.pdf

四川大学
硕士学位论文
时间序列预测模型及其算法研究
姓名:罗凤曼
申请学位级别:硕士
专业:模式识别与智能系统
指导教师:古钟璧
20060430
时间序列预测模型及其算法研究模式识别与智能系统专业研究生:罗凤曼在自然科学和社会科学各领域中,大量决策问题离不开预测。预测是决策的基础。解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。实际中,有关事物的信息经常是不完全的,有关的理论也是不完善的,人们对事物的了解仅限于观测数据,即时间序列,因此只能利用现有的历史数据构造模型,。介绍了这些方法与模型的性质特征,总结出目前的方法与模型在处理非线性系统的预测方面的特点与需要改进的一些方面:然后介绍了近些年兴起的神经网络尤其是前馈神经网络窬在非线性预测模型方面的应用及表现出来的良好的特性与优势,同时也指出神经网络预测模型及其在训练算法方面的一些时间序列模式的识别:标准算法收敛速度慢、易落入局部极小点。针对这些缺陷,本文提出采用线性预测模型良好的对时间序列的模式识剐能力束进行识别,构造出具有代表性的样本训练神经网络;同时在分析了标准遗传算法的主要缺点的基础上,对标准遗传算法辛烁慕患啤H缓笥酶慕囊传算法从呕绲某跏既ㄣ兄担詈蟛捎肔—狹算法来进行网络的训练与寻优。这样,既运用了模型良好的模型辨识能力,又发挥了神经网络良好的非线性映射能力,还综合了遗传算法的全局优化能力,从而使构造的预测模型更加实用、特性更好。本文将所构造的模型与所设计的算法应用到都江堰灌区渠首氓江上游来水预测中,并通过大量的实验与仿真,:古钟璧固有缺陷:神经网络是一种静态的网络,没有时间处理能力,所以不能进行摘要’
。是可行的,且预测效果比传统的线性预测模型以及未经过算法改进的神经网络预测漠型都好,从而验证了本模型与算法的可行性、有效性和优越性。此外,非线性自回归神经网络琍算法标准遗传算法关键词:时间序列预测改进遗传算法摘要
.,.,:篏琻’..琲.’
,,琣甌琤甀琒痵,甋瑃:,痵,琱,,琣
髀课题提出及意义【】【对于预测对象的所有已知资料只有对象随时问变化的历史资料的场合,时一直是学术研究和实际应用领域的研究热点。如自然领域的河水来水量预测、流域降水量预测,太阳黑子数预测等,社会领域中城市交通量预测、某一地区人口增长量预测,医院门诊量预测等,经济领域中的股市价格预测、国民收入预测、产品价格预测等。根据对许多有关时问序列预测方面的资料的分析和研究,人们逐渐掌握了一些建模及预测的基本规律。有两种建立时问序列预测模型的方法:如果数据闻满足线性关系,可以用传统的建模及预测方法,如自回归,滑动均值以及混合自回归滑动均值醇偕枰蛔槭奔湫蛄械未来值线性相关于其历史值。反之,若数据关系是非线性的,针对某些特殊情形,采用非线性建模的方法,但有时候仍旧用线性模型来近似拟合非线性时间序列,但这种方法是比较粗糙的。由于线性模型易于建立和运行,也便于理解性时间序列,传统的时间序列预测方法是很有效的。然而。现实世界中也存在许多非线性的问题,再用传统的线性预测方法不能很好的处理复杂的数据关系,非线性时问序列建模的方法。比如:双线性模型、阈自回归模型换自回归模型唧】等,这些时间序列模型在解决某些非线性问题时是有用的,但这些非线性缺乏普遍性。世纪年代神经网络的崛起,为解决非线性的问题提供了一条良好的途径。因此,从年代开始,神经网络在非线性领域的研究与应用非常广泛。人工神经网络用于预测的最大优点在于它不需要设计任何数学模型,只要通过过去的经验对历史数据的训练和学****网络就能够“模拟”并“记忆”输入变量和输出变量之问的任何复杂的“函数”关系,但是,神经网络算法易陷入局部最小点的固有缺陷,,时间序列建模及预测和解释,故人们通常也用线性预测方法来解决现实世界中的许多问题。对于线从而导致预测精度不高。为了改进对于非线性系统的预测,人们己经提出许多处理各种模糊的、非线性的含存“噪声”的数据,并通过“联想”来实现预测。
研究现状【【与影响预测精度的提高。因此,对神经网络算法的研究也是目前的一个研究热点。随着遗传算法作为具有系统优化、适应和学****的高性能计算和建模方法的研究渐趋成熟,遗传算法为解决全局优化问题,提供了比较理想的方法。因此,将遗传算法用来优化神经网络也已成为目前研究的热点。如何结合线性和非线在动态数据的处理分析、复杂信息的加工提取、预测未来和在线控制等方面显按系统本身的性质划分,有线性系统和非线性系统。相应的