基于相似涨落模式的时间序列预测研究

发布时间：2017-10-28 17:23

  本文关键词：基于相似涨落模式的时间序列预测研究

  更多相关文章： 时间序列 涨落模式 相似变形 相似性度量 分类 预测 稳定性

【摘要】：时间序列相似性度量是时间序列数据挖掘领域的核心问题,然而由于时间序列数据背后真实系统的复杂性,加上观测条件的影响,时间序列会呈现多种相似性变形,如振幅伸缩、振幅漂移、线性漂移和时间轴弯曲等。目前的大部分时间序列相似性度量方法对上述时间序列相似性形变的识别是有限的,造成了时间序列相似性挖掘不充分的问题。时间序列趋势预测是时间序列数据挖掘领域一个重要的应用领域,传统的预测模型通过建立时间序列的分析模型进行回归预测,忽略了时间序列之间的联系和序列自身的物理含义。海量时间序列数据的特征参数是不断变化的,具有非平稳性的特点,预测模型需要不断的更新才能维持一定的预测准确度。以上两点造成了时间序列分析预测模型在实际应用时预测稳定性差的问题。针对上述问题,本文主要研究工作如下：(1)提出涨落模式(FP)的概念,以涨落模式保存原序列的趋势变化信息,利用最长公共子序列算法计算涨落模式的相似度,实现振幅伸缩、振幅漂移、线性漂移和时间轴弯曲等相似性变形的有效识别。设置仿真数据集检验FP相似性度量算法的相似性变形容忍性能,验证了FP相似性度量算法在识别各类单一相似性变形时均具有非常好的性能。同时在真实数据集上进行分类实验,依据分类准确性对算法鲁棒性进行评估,验证了本文提出的基于涨落模式的相似性度量算法在识别复杂混合相似性形变上的识别性能。(2)提出基于相似涨落模式的时间序列预测算法。引入滑动时间窗口,对不等长时间序列数据进行划分,将长序列的相似性度量转化为序列片段的相似性度量。通过挖掘海量时间序列数据中与预测目标最近参考模式相似的类比模式,利用等比缩放方法合成预测结果。实验以农产品价格预测为目标,选取多个农产品分别进行预测,设置预测准确度和预测误差均方差为评估指标,与ARMA模型和二次指数平滑模型进行对比,验证了本文提出的基于相似涨落模式的时间序列预测算法的准确性和稳定性。
【关键词】：时间序列 涨落模式 相似变形 相似性度量 分类 预测 稳定性
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：O211.61;TP311.13
【目录】：

• 致谢7-8
• 摘要8-9
• ABSTRACT9-14
• 第一章 绪论14-22
• 1.1 研究背景与意义14-17
• 1.1.1 数据挖掘与时间序列数据挖掘背景14-15
• 1.1.2 时间序列相似性研究背景及意义15-16
• 1.1.3 时间序列趋势预测研究背景及意义16-17
• 1.1.4 课题来源17
• 1.2 国内外研究现状17-19
• 1.2.1 时间序列相似性研究现状17-18
• 1.2.2 时间序列趋势预测研究现状18-19
• 1.3 农产品价格预测现状及面临的问题19-20
• 1.4 本文研究的主要内容20
• 1.5 本文的组织结构20-21
• 1.6 本章小结21-22
• 第二章 时间序列相似性度量算法研究22-32
• 2.1 相关定义22-23
• 2.2 时间序列相似性变形23-26
• 2.3 相似性度量方法研究26-31
• 2.3.1 明氏距离27
• 2.3.2 动态弯曲距离27-28
• 2.3.3 编辑距离28-29
• 2.3.4 特征距离29-30
• 2.3.5 其他距离30-31
• 2.5 本章小结31-32
• 第三章 基于涨落模式的时间序列相似性度量算法32-45
• 3.1 引言32-33
• 3.2 时间序列模式33-34
• 3.3 涨落模式34-35
• 3.4 基于涨落模式的时间序列相似性度量算法35-37
• 3.4.1 涨落模式的生成36
• 3.4.2 涨落模式相似性度量36-37
• 3.5 实验及分析37-44
• 3.5.1 实验设计及实验数据描述37-38
• 3.5.2 仿真数据实验38-42
• 3.5.3 真实数据实验42-44
• 3.6 本章小结44-45
• 第四章 基于相似涨落模式的时间序列预测算法45-57
• 4.1 引言45-46
• 4.2 基于时间的滑动窗口46-47
• 4.3 类比合成预测算法47
• 4.4 基于相似涨落模式的时间序列预测算法47-50
• 4.4.1 参考序列涨落模式与类比序列涨落模式生成48-49
• 4.4.2 类比序列合成预测49-50
• 4.5 实验及分析50-56
• 4.5.1 实验设计及实验数据描述50-51
• 4.5.2 实验结果评价指标51
• 4.5.3 实验结果及分析51-56
• 4.6 本章小结56-57
• 第五章 总结与展望57-58
• 5.1 总结57
• 5.2 展望57-58
• 参考文献58-62
• 攻读硕士学位期间的学术活动及成果情况62-63

【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

，

本文编号：1109232