基于时间序列的资源配置优化方法研究

发布时间：2017-07-03 14:00

  本文关键词：基于时间序列的资源配置优化方法研究

  更多相关文章： 时间序列数据 修复 预测 并行 资源配置 近似算法

【摘要】：随着科技的发展,信息技术已经深入人们的学习工作生活,各种信息系统积累了大量的具有时间序列特性的业务数据,这为数据科学的研究工作提供了便利的条件。由于在数据采集过程中,通信链路以及各终端设备存在不稳定性,会导致部分采集数据的异常或缺失,严重影响到数据的完整性和可用性。研究时间序列的修复和预测技术,能够有效的提高数据质量,为后续的生产和商业决策提供数据支撑。而当数据的完整性得到保证之后,则可以进一步对数据进行挖掘和分析,本文将根据总体业务和个体业务的数据信息进行匹配,提出调整方案,以实现资源配置的优化。本文主要完成了时序数据(基于负荷)的修复与预测和资源配置优化算法的研究。1)时序数据(基于电力负荷)的修复和预测本文针对异常数据修复速度快的要求,根据负荷的时序性和周期性的特点,提出了快速的线性修复算法。针对预测要求,实现了基于ARIMA模型的串行算法,并根据电力负荷特性,对数据进行划分,又实现了负荷预测的并行化。最后通过比对实验,指出线性修复法和ARIMA模型各自对于修复预测问题的优势和劣势,以及对于负荷数据而言,ARIMA模型最适合的训练天数。同时,通过预测的串行算法与并行算法的比对,验证了并行工作的有用性和适用性。2)资源配置优化方法研究本文从具体的应用需求入手,对资源配置的问题进行了数学抽象和定义,然后对该问题进行了分析,指出资源的配置是等式约束下的非线性规划问题。接下来,我们采用经典的最优化方法对问题进行了分析,指出最优化方法在多项式时间内求解非常困难,因此需要寻找其他方法。接下来,从问题定义出发,首先提出了遍历法求解,并通过讨论该方法的复杂度,指出该方法也不适于本问题的求解。然后提出了解决该问题的全局近似算法,并且对该方法做了收敛性的数学证明和复杂度分析。接下来,考虑了某些特殊的场景,又提出了局部近似算法。最后,将问题回归到数据集,首先对银行业务数据进行预处理,使其满足算法的输入要求,然后对全局算法和局部算法进行了对比检验,证明在不同的需求下,全局算法和局部算法能够高效地解决配置问题。
【关键词】：时间序列数据 修复 预测 并行 资源配置 近似算法
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O211.61;F062.1
【目录】：

• 摘要5-6
• ABSTRACT6-14
• 第一章 绪论14-20
• 1.1 概述14
• 1.2 国内外研究现状14-17
• 1.2.1 时间序列(基于负荷)的修复与预测14-15
• 1.2.2 资源的配置优化15-17
• 1.3 论文工作与内容组织17-19
• 1.3.1 研究内容17-18
• 1.3.2 组织结构18
• 1.3.3 研究目标18-19
• 1.4 本章小结19-20
• 第二章 相关算法介绍20-32
• 2.1 引言20
• 2.2 ARIMA模型介绍20-25
• 2.2.1 模型描述21-23
• 2.2.2 ARIMA算法过程23-25
• 2.3 并行计算与并行算法25-26
• 2.4 GARCH模型26-27
• 2.4.1 ARCH模型26-27
• 2.4.2 GARCH模型27
• 2.5 常用的相似性度量27-29
• 2.5.1 欧氏距离27-28
• 2.5.2 曼哈顿距离28
• 2.5.3 切比雪夫距离28
• 2.5.4 闵可夫斯基距离28-29
• 2.5.5 标准化欧氏距离29
• 2.5.6 夹角余弦29
• 2.6 近似算法29-30
• 2.7 本章小结30-32
• 第三章 时序数据(基于负荷)的修复和预测32-50
• 3.1 引言32
• 3.2 线性修复算法32-37
• 3.3 ARIMA模型的实现37-38
• 3.4 预测并行化38-40
• 3.4.1 JAVA多线程技术38-39
• 3.4.2 并行化实现39-40
• 3.5 评价体系40-42
• 3.6 算法实验验证42-49
• 3.6.1 算法精确度检验42-47
• 3.6.2 预测并行化结果比对与分析47-49
• 3.7 本章小结49-50
• 第四章 资源的配置优化50-64
• 4.1 引言50
• 4.2 问题的提出及定义50-52
• 4.2.1 配置优化的需求50-51
• 4.2.2 数学定义及问题分析51-52
• 4.3 最优化方法求解52-56
• 4.3.1 最优化方法52
• 4.3.2 拉格朗日乘子法52-54
• 4.3.3 惩罚函数法54-56
• 4.3.4 优化算法的简化算法56
• 4.3.5 本节小结56
• 4.4 非最优化方法算法56-60
• 4.4.1 遍历法求解56-57
• 4.4.2 全局近似算法求解57-59
• 4.4.3 局部近似算法59-60
• 4.5 算法实验验证60-63
• 4.6 本章小结63-64
• 第五章 总结与展望64-66
• 5.1 本文总结64
• 5.2 未来展望64-66
• 参考文献66-68
• 致谢68-70
• 在读期间发表的学术论文与取得的研究成果70

【相似文献】

中国期刊全文数据库 前10条

1 施久玉,杜金观;有限个状态时间序列的某些结果[J];应用数学学报;1990年01期

2 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期

3 王霞,郭嗣琮,刘淑娟;时间序列模糊滑动预测[J];辽宁工程技术大学学报(自然科学版);1999年03期

4 温品人;时间序列预测法的实际应用分析[J];江苏广播电视大学学报;2001年06期

5 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期

6 程毛林;时间序列系统建模预测的一种新方法[J];数学的实践与认识;2004年08期

7 高洁;长记忆时间序列适应性预测的应用[J];江南大学学报;2004年05期

8 高洁;孙立新;;长记忆时间序列的适应性预测误差的谱密度[J];统计与决策;2006年13期

9 杨钟瑾;;浅谈时间序列的分析预测[J];中国科技信息;2006年14期

10 李健;孙广中;许胤龙;;基于时间序列的预测模型应用与异常检测[J];计算机辅助工程;2006年02期

中国重要会议论文全文数据库 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年

3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书（八）——遥感地球物理与国家安全[C];2012年

4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策（上册）[C];2002年

5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年

6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年

7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集（下）[C];2013年

8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集（文摘部分）[C];2012年

9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学（第8卷）[C];2007年

10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年

中国重要报纸全文数据库 前6条

1 ;《时间序列与金融数据分析》[N];中国信息报;2004年

2 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

4 西南证券高级研究员 董先安邋德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年

5 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

6 任勇邋郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年

中国博士学位论文全文数据库 前10条

1 张墨谦;遥感时间序列数据的特征挖掘：在生态学中的应用[D];复旦大学;2014年

2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年

3 苗圣法;时间序列的模式检测[D];兰州大学;2015年

4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年

5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年

6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年

7 原继东;时间序列分类算法研究[D];北京交通大学;2016年

8 王晓晔;时间序列数据挖掘中相似性和趋势预测的研究[D];天津大学;2003年

9 李桂玲;时间序列的分割及不一致发现研究[D];华中科技大学;2012年

10 周勇;时间序列时序关联规则挖掘研究[D];西南财经大学;2008年

中国硕士学位论文全文数据库 前10条

1 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年

2 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年

3 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年

4 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

5 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年

6 郭博;余额宝用户特征分析和申赎行为研究[D];电子科技大学;2015年

7 王伟;基于时间序列的噪声监测点异常发现[D];南京航空航天大学;2015年

8 郑平;支持向量回归在金融时间序列预测中的应用[D];辽宁师范大学;2015年

9 李鸿利;时间序列的行为匹配与评估技术研究[D];解放军信息工程大学;2014年

10 王珂;基于时间序列法的不良数据的辨识与修正研究[D];东南大学;2015年

  本文关键词：基于时间序列的资源配置优化方法研究

  更多相关文章： 时间序列数据 修复 预测 并行 资源配置 近似算法

，

本文编号：513878