基于滑动窗口的一类非负可变权组合预测方法

发布时间：2020-11-21 17:27

　　 组合预测是通过适当的加权方法,将几类不同的单项预测方法组合起来,从而实现综合利用各种单项预测方法所提供的有效信息。根据组合预测加权系数是否随时间推移而变化,可分为可变权组合预测和不可变权组合预测。不可变权组合方法较多,且操作容易,故其使用较多。但较之可变权组合预测方法,不可变权组合预测方法受不同单项预测方法在不同时点的预测精度影响较大。针对存在的问题,本文在不可变权组合预测方法上,引入了滑动窗口赋权方法,设置合理窗口长度,通过滑动式赋权,将非时变权变成了时变权,从而提高了组合预测的精度。本文主要研究内容如下:一、研究对象不仅仅是单一的点值序列,还对区间型序列进行了研究验证。本文提出的新模型,不仅应用于单点型序列值,同是,也与区间型序列值进行了结合,验证该方法的适用性。二、在熵权组合预测方法和传统变异系数赋权组合预测方法基础上,提出了改进变异系数赋权组合预测方法,从而将传统的基于预测数据层面的变异系数,转移到预测残差数据层面,能有效消除传统变异系数由于数据数量级引起的数据变异程度被弱化的情况。三、考虑到不变权组合预测模型在某些情况下不能很好地预测每个时刻的权重的性态,引入了滑动窗口机制,结合熵值法思想,即系统的熵值越大,则它所蕴涵的信息量越小,系统的某项指标的变异程度越小,反之,系统的熵值越小,则它所蕴涵的信息量越大,系统的某项指标的变异程度越大。本文正是在此基础上,从统计学中变异系数的基本定义出发,设置了合适的窗口长度,基于滑动窗口下定义各个单项预测模型预测的误差的变异程度,从而得到权系数,从而实现不可变权到可变权的转变,该方法的适用性广,有效的提高了提高组合预测精度。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F224
【部分图文】：

图２．１?模型预测建模流程图??９??

权怙??图２．?２神经元模型示意图??图２．２所表征的是ＡＷ基元的神经元模板，其存在三个基础要素［３４】：??（１）?一组连接权（和生物神经元突触基本一致），其连接的强度一般通过??所有连接位置的权值体现，正值表征机理，负值表征抑制。??（２）?—个求和基元。用来获得所有导入讯息的加权和（线性构成合）。??（３）?—个非线性激励函数，其具有的作用主要是非线性映射，同时其还能??够将神经元的输出范畴限制在相应范畴之中（通常限制于［０，１］或［－１，１］间）。??１０??

叫做“误差逆传播算法”，也即是通俗所谓的算法。伴随此类偏差逆的传输??修改持续运转，网络对导入模式反馈的精确程度也会持续提高Ｉ３５］。５Ｐ神经网络??模型如图２．２所示。??．厂、＇?？卜一、．，?办?Ｗ?一?＇＇??…，，＂、、＇、、？？？?／?，＇八、＇?？？？??—?Ｖ＂＇＇ｎ；＿＿＾７??文＂ｖ－’?－ｙ??？个输入层?ｍ个隐含层?《个输出层??神经元?神经元?神经元??图２．２?神经网络模型??典型的５Ｐ神经网络包含３层：输入层、隐含层、输出层，其属于前向类别??的神经网络Ｉ３６］。所有的层级构成均是以多个神经元节点为主，其主要用来运算此??次神经元全部输入的权重之和，继而经由标准的输出数学关系一激励函数输出。??通常此类函数具备非减性欲可微性，目前使用的为Ｓ函数与线性函数，其数学关??系式是：??／ｗ?＝?—（２．１２）??ｌ?＋?ｅ??通过隐含层的ＡＰ网络作为实例
【相似文献】

相关期刊论文 前10条

1 商勇,丁咏梅;最优组合预测方法评析[J];统计与决策;2005年17期

2 吉培荣,张玉文,赵青;组合预测方法在电力系统负荷预测中的应用[J];三峡大学学报(自然科学版);2005年05期

3 王居平;组合预测方法及在图书馆管理中的应用[J];情报杂志;2002年08期

4 王应明;基于相关性的组合预测方法研究[J];预测;2002年02期

5 钟波,肖智;资产未来收益的一种最优组合预测方法[J];重庆大学学报(自然科学版);1998年04期

6 马永开,唐小我,杨桂元;非负权重最优组合预测方法的基本理论研究[J];运筹与管理;1997年02期

7 王景,刘良栋,王作义;组合预测方法的现状和发展[J];预测;1997年06期

8 王应明，傅国伟;基于不同误差准则和范数的组合预测方法研究[J];控制与决策;1994年01期

9 蒋辉;论组合预测方法的实现条件[J];财经科学;1990年04期

10 孙林岩;;组合预测方法及应用[J];预测;1990年04期

相关博士学位论文 前5条

1 马涛;组合预测方法及其应用研究[D];兰州大学;2017年

2 孙李红;基于组合预测方法的舰船纵摇运动预报[D];哈尔滨工程大学;2009年

3 李彩虹;两类组合预测方法的研究及应用[D];兰州大学;2012年

4 陈艳华;基于机器学习的时间序列预测方法研究与应用[D];兰州大学;2017年

5 黄宇慧;我国粮食供给与需求综合平衡分析[D];东北财经大学;2010年

相关硕士学位论文 前10条

1 葛璐璐;基于滑动窗口的一类非负可变权组合预测方法[D];安徽大学;2019年

2 孟玲建;基于动态加权组合方法的短期光伏功率预测研究[D];东北电力大学;2019年

3 芦婧;基于长短期记忆网络的短期风速组合预测研究[D];天津大学;2018年

4 周洁;优性区间型组合预测方法及应用研究[D];安徽财经大学;2018年

5 刘艳敏;基于组合预测方法的波音737飞机客舱能耗预测研究[D];中国民航大学;2017年

6 段妮妮;基于组合预测方法的趋势预测研究与应用[D];西华大学;2009年

7 陈雁;组合预测方法研究及其软件系统设计与开发[D];东北农业大学;2007年

8 朱报春;基于模糊逻辑系统的组合预测方法及应用[D];河海大学;2001年

9 张景广;基于基因表达式编程的组合预测方法研究[D];华中师范大学;2011年

10 张进;不同精度准则下的区间型组合预测方法研究[D];安徽大学;2010年

本文编号：2893351