时间序列短期预测的方法和技术
发布时间：2022-07-27 17:09
时间序列是指按照时间顺序取得的一系列观测值,很多数据是以时间序列的形式出现的,从经济、金融到工程技术,从天文、地理到气象,从医学到生物等各个领域都涉及到时间序列,例如船舶运动,每天的气温,公路事故数量的周度序列等等。在自然科学和社会科学各研究领域中,大量决策问题都离不开预测,时间序列预测是指利用时间序列的若干历史观测值来预测未来某时刻的取值。时间序列预测的应用非常广泛,如天气预报,股价指数的预测,船舶运动的极短期预报等等。本文第一章介绍了该课题的背景意义以及时间序列预测的国内外研究现状；在第二章中给出了五种常用的时间序列预测方法基本原理的详细说明,包括线性预测方法（自回归模型AR、自回归滑动平均模型ARMA、求和自回归滑动平均模型ARIMA）和非线性预测方法（径向基函数RBF神经网络和BP网络）。第三章论文在MATLAB环境下实现了这五种方法用于海浪信号的预测,并且比较了这些方法预测后的四种误差,包括偏差、归一化偏差、均方根误差、标准偏差。同时,比较不同情况下这些方法预测的效果,分别是：预测步长增加时；取不同的时间段进行预测时,预测误差的大小等；比较了这些方法用于均匀分布和高斯分布随机...
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
论文摘要
ABSTRACT
第一章 绪论
1.1 课题的背景和意义
1.2 国内外的研究现状
1.3 论文的主要工作及内容
1.4 本文结构
第二章 五种时间序列预测方法的总结
2.1 自回归模型(AR)
2.1.1 自回归模型的理论概述
2.1.2 自回归(AR)模型的自相关函数
2.1.3 自回归(AR)模型的偏相关函数
2.1.4 自回归模型(AR)阶数的确定
2.1.5 自回归模型(AR)的参数估计
2.2 自回归滑动平均模型(ARMA)
2.2.1 自回归滑动平均模型的理论概述
2.2.2 自回归滑动平均模型(ARMA)的自相关函数
2.2.3 自回归滑动平均模型(ARMA)阶数的确定
2.2.4 自回归滑动平均模型(ARMA)的参数估计
2.3 求和自回归滑动平均模型(ARIMA)
2.4 BP神经网络
2.4.1 BP网络的基本概念
2.4.2 BP算法的数学描述
2.5 径向基函数网络(RBF网络)
2.5.1 径向基函数网络的基本概念
2.5.2 径向基函数网络的算法描述
第三章 五种时间序列预测方法的实现和比较
3.1 常用的误差指标
3.2 五种预测方法对海浪信号做20步预测的实验结果
3.2.1 基于自回归(AR)模型的预测
3.2.2 基于自回归滑动平均(ARMA)模型的预测
3.2.3 基于求和自回归滑动平均(ARIMA)模型的预测
3.2.4 基于BP神经网络的预测
3.2.4 基于径向基函数RBF神经网络的预测
3.2.6 比较五种时间序列预测方法的预测结果
3.3 五种预测方法对海浪信号做30步预测的实验结果
3.4 对海浪信号取不同时间段做预测的实验结果
3.5 均匀分布和高斯分布数据的预测结果比较
3.5.1 均匀分布数据的预测
3.5.2 高斯分布数据的预测
3.6 小结
第四章 时间序列短期预测系统设计
4.1 系统的设计原则与步骤
4.2 用户界面的制作
4.2.1 设计窗口的创建
4.2.2 用户界面的设计
4.3 GUI编程
4.4 系统的功能介绍
4.4.1 系统的输入界面
4.4.2 系统的输出界面
4.5 小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于RBF神经网络的时间序列交叉供热负荷预报研究[J]. 陈烈,张永明,齐维贵,邓盛川,李娟. 电子学报. 2009(11)
[2]基于时间序列分析的网络流量预测模型研究[J]. 周德懋,李舟军,康荣雷. 现代电子技术. 2009(08)
[3]基于ARIMA模型的用电量时间序列建模和预报[J]. 杨建萍. 工程数学学报. 2008(04)
[4]用BP神经网络预测股票市场涨跌[J]. 吴微,陈维强,刘波. 大连理工大学学报. 2001(01)
[5]基于人工神经网络的毫米波雨衰减预报[J]. 杨红卫,何晨,诸鸿文,宋文涛. 上海交通大学学报. 2001(01)
[6]三层BP网隐层节点数确定方法的研究[J]. 伍春香,刘琳,王葆元. 武汉测绘科技大学学报. 1999(02)
[7]应用自回归积分移动平均法预测铁路货源货流发展趋势[J]. 袁振洲. 铁道学报. 1996(S1)
硕士论文
[1]基于时间序列ARIMA模型的分析预测算法研究及系统实现[D]. 张利.江苏大学 2008
[2]分形高斯噪声Hurst参数估计的实验评价[D]. 韩忠玲.华东师范大学 2008
[3]基于EMD和AR的船舶运动极短期预报问题研究[D]. 孟令金.哈尔滨工程大学 2008
[4]基于RBF神经网络的货运量预测模型研究[D]. 魏艳强.天津理工大学 2008
[5]基于BP神经网络的二手船船价指数预测研究[D]. 李建华.大连海事大学 2008
[6]一种基于小波变换及自回归模型的网络流量预测算法[D]. 蒋庆华.吉林大学 2006
本文编号：3665848
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
论文摘要
ABSTRACT
第一章 绪论
1.1 课题的背景和意义
1.2 国内外的研究现状
1.3 论文的主要工作及内容
1.4 本文结构
第二章 五种时间序列预测方法的总结
2.1 自回归模型(AR)
2.1.1 自回归模型的理论概述
2.1.2 自回归(AR)模型的自相关函数
2.1.3 自回归(AR)模型的偏相关函数
2.1.4 自回归模型(AR)阶数的确定
2.1.5 自回归模型(AR)的参数估计
2.2 自回归滑动平均模型(ARMA)
2.2.1 自回归滑动平均模型的理论概述
2.2.2 自回归滑动平均模型(ARMA)的自相关函数
2.2.3 自回归滑动平均模型(ARMA)阶数的确定
2.2.4 自回归滑动平均模型(ARMA)的参数估计
2.3 求和自回归滑动平均模型(ARIMA)
2.4 BP神经网络
2.4.1 BP网络的基本概念
2.4.2 BP算法的数学描述
2.5 径向基函数网络(RBF网络)
2.5.1 径向基函数网络的基本概念
2.5.2 径向基函数网络的算法描述
第三章 五种时间序列预测方法的实现和比较
3.1 常用的误差指标
3.2 五种预测方法对海浪信号做20步预测的实验结果
3.2.1 基于自回归(AR)模型的预测
3.2.2 基于自回归滑动平均(ARMA)模型的预测
3.2.3 基于求和自回归滑动平均(ARIMA)模型的预测
3.2.4 基于BP神经网络的预测
3.2.4 基于径向基函数RBF神经网络的预测
3.2.6 比较五种时间序列预测方法的预测结果
3.3 五种预测方法对海浪信号做30步预测的实验结果
3.4 对海浪信号取不同时间段做预测的实验结果
3.5 均匀分布和高斯分布数据的预测结果比较
3.5.1 均匀分布数据的预测
3.5.2 高斯分布数据的预测
3.6 小结
第四章 时间序列短期预测系统设计
4.1 系统的设计原则与步骤
4.2 用户界面的制作
4.2.1 设计窗口的创建
4.2.2 用户界面的设计
4.3 GUI编程
4.4 系统的功能介绍
4.4.1 系统的输入界面
4.4.2 系统的输出界面
4.5 小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读硕士期间发表的论文
致谢
【参考文献】：
期刊论文
[1]基于RBF神经网络的时间序列交叉供热负荷预报研究[J]. 陈烈,张永明,齐维贵,邓盛川,李娟. 电子学报. 2009(11)
[2]基于时间序列分析的网络流量预测模型研究[J]. 周德懋,李舟军,康荣雷. 现代电子技术. 2009(08)
[3]基于ARIMA模型的用电量时间序列建模和预报[J]. 杨建萍. 工程数学学报. 2008(04)
[4]用BP神经网络预测股票市场涨跌[J]. 吴微,陈维强,刘波. 大连理工大学学报. 2001(01)
[5]基于人工神经网络的毫米波雨衰减预报[J]. 杨红卫,何晨,诸鸿文,宋文涛. 上海交通大学学报. 2001(01)
[6]三层BP网隐层节点数确定方法的研究[J]. 伍春香,刘琳,王葆元. 武汉测绘科技大学学报. 1999(02)
[7]应用自回归积分移动平均法预测铁路货源货流发展趋势[J]. 袁振洲. 铁道学报. 1996(S1)
硕士论文
[1]基于时间序列ARIMA模型的分析预测算法研究及系统实现[D]. 张利.江苏大学 2008
[2]分形高斯噪声Hurst参数估计的实验评价[D]. 韩忠玲.华东师范大学 2008
[3]基于EMD和AR的船舶运动极短期预报问题研究[D]. 孟令金.哈尔滨工程大学 2008
[4]基于RBF神经网络的货运量预测模型研究[D]. 魏艳强.天津理工大学 2008
[5]基于BP神经网络的二手船船价指数预测研究[D]. 李建华.大连海事大学 2008
[6]一种基于小波变换及自回归模型的网络流量预测算法[D]. 蒋庆华.吉林大学 2006
本文编号：3665848
本文链接：https://www.wllwen.com/guanlilunwen/zhqtouz/3665848.html
