面向数据预测的回归分析模型及其动态优化机制研究

发布时间：2021-09-05 09:54

　　数据预测为决策系统提供制定决策所必须的未来信息,数据分析与处理在预测理论的发展过程中占据极其重要的地位。通过数据的变化趋势可预先把握事物的发展规律,为决策提供可靠支持。现实生活中存在大量数据预测问题,常因预测技术的不足而无法对数据进行科学和准确的预测。近年来,尽管传统预测理论与方法的研究取得了较大进展,但由于预测问题本身所处环境的复杂性与不确定性,以及传统数据分析模型所具有的局限性,导致理论研究成果与实际预测结果会受到不同程度的影响。因次,如何让所有数据有意义并根据这些数据做出更好的预测就具有了更高的研究价值。此外,回归分析模型受其适应面和处理能力的限制。当问题需求量和复杂度不断增加时,采用传统方法优化回归模型就变得更加困难。因此,本文对现有优化算法的实践效果进行对比分析,尝试对其进行改进,形成具有针对性的模型优化机制。本文从应用现有优化机制进行实际问题求解时所遇到的具体问题入手,从以下几方面对回归分析模型、静态与动态环境下优化机制及数据预测的实际应用进行了深入研究。具体研究内容如下:首先,从多种角度探索建立有效的非线性回归分析模型。通过对各模型进行比较分析,产生相对可靠的分析模型及回... 

【文章来源】：西安邮电大学陕西省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

基于适应值排序的种群类结构图

西安邮电大学硕士学位论文始化与子群的构建，最后得到三类有序子群体；模块二针对不同子群，设具针对性且协调性更佳的搜索机制组合，实现对搜索过程的调节。而模块察蜂进行局部寻优来找出最优解。先通过式（2.8）和（2.9）计算出观察间，再利用式（2.11）进行局部搜索，进一步提升算法的寻优能力。

第 3 章 蜂群算法在动态环境下的优化机制研究 重复步骤 2，直到达到预设目标，停止迭代，输出优化结果。学习过程中蜜源下一时刻的状态是由当前状态、最优个体及子定。其中，随机个体有利于增加种群多样性以及增加算法跳出个体能够引导群体的搜索轨迹，加快算法的收敛速度。因而，需定义一种邻域规则，明确哪些个体可作为当前蜜源的邻居。如下两种邻域结构，融合不同蜂群的学习模式，充分发挥各搜 ABC 易于陷入局部最优的缺陷。3.1 全局邻域筛选模型3.1 所示，模型主要分为初始层、过程层及结果层三部分，初始种群按平均适应值排序后的结果，过程层则获取每个子群的局，结果层是从局部最优子群和随机子群中选出所需对象。

【参考文献】：
期刊论文
[1]考虑舒适温度区间和突变量的月售电量预测线性回归模型[J]. 薛斌,程超,欧世其,刘安祥,王顺昌.  电力系统保护与控制. 2017(01)
[2]类搜索算法[J]. 陈皓,潘晓英.  软件学报. 2015(07)
[3]基于函数型非参数回归模型的中长期日负荷曲线预测[J]. 许梁,孙涛,徐箭,孙元章,李子寿,林常青.  电力自动化设备. 2015(07)
[4]基于EMD-KELM-EKF与参数优选的用户侧微电网短期负荷预测方法[J]. 汤庆峰,刘念,张建华,于壮壮,张清鑫,雷金勇.  电网技术. 2014(10)
[5]进化Elman神经网络在实时数据预测中的应用[J]. 王晓霞,马良玉,王兵树,王涛.  电力自动化设备. 2011(12)
[6]架构大数据:挑战、现状与展望[J]. 王珊,王会举,覃雄派,周烜.  计算机学报. 2011(10)
[7]一种基于动态小生境的自组织学习算法[J]. 周传华,谢安世.  软件学报. 2011(08)
[8]差分演化的收敛性分析与算法改进[J]. 贺毅朝,王熙照,刘坤起,王彦祺.  软件学报. 2010(05)
[9]基于改进的粒子群算法的多元线性回归模型参数估计[J]. 刘锦萍,郁金祥.  计算机工程与科学. 2010(04)
[10]多元回归分析模型在变形监测中的应用[J]. 张俊中,宋蕾,张健雄.  河南工程学院学报(自然科学版). 2009(03)

博士论文
[1]群智能优化算法及其应用[D]. 冯春时.中国科学技术大学 2009



本文编号：3385130