基于SAX和回声状态网路的时序预测模型研究

发布时间：2020-03-24 07:35

【摘要】：时间序列是按照时间排序的一组随机变量,广泛地存在于生活中的诸多领域,包括气象、金融、农业、生物等,挖掘隐含其中有用的知识对实际生活生产有重大作用和意义。时间序列预测作为一种时序挖掘技术,是时序数据分析处理的一个重要方面。时间序列预测通过分析历史时序数据对未来一段时期的时序数据进行预测。在时间序列预测中,传统的时序预测模型由于自身结构的限制,导致对复杂的非线性数据预测结果不理想。基于神经网络和支持向量机的预测模型训练算法复杂、易陷入局部最优且网络结构不稳定,明显降低构建模型的效率。回声状态网络作为一种新型的递归神经网络,广泛应用于非线性时间序列的预测中。但是,面对时间序列数据高维、复杂的特性,很难高效而准确地对时间序列进行分析和预测处理。同时,传统的ESN网络由于独特的结构特性,在进行网络训练时需要大量的训练样本使得训练困难,影响预测精度。鉴于此,为了能够对不同时序数据进行精准的预测,本文改进了时序SAX表示法,并结合回声状态网络预测模型,开展基于SAX和状态网络的时序预测模型研究。研究内容如下:(1)时间序列相关理论算法分析。针对时间序列挖掘中的基础理论和相关算法进行了总结与说明,介绍并分析了时间序列SAX表示法与预测方法研究目的与算法原理等相关内容。(2)基于局部均值分解和改进小波熵的时序SAX模型。为解决传统SAX表示法中分段数选取平均化、划分区间同等对待、非平稳的序列中的突变信息特征难以体现的问题,引入了局部均值分解技术和改进小波熵分段算法,提出了基于局部均值分解和改进小波熵的时序SAX模型。该模型将局部均值分解技术与改进小波熵算法相结合,不仅能对原始时间序列去噪,而且能够更好地获取非平稳序列的特征信息,对序列进行拟合,达到降维的目的,提高了KNN分类算法在该表示法上的分类准确率。(3)灰狼优化回声状态网络的时序预测方法。回声状态网络采用储备池代替传统神经网络的隐层,其预测主要是通过对连接权重的训练实现的,算法简单易于实现。但由于ESN独特的结构特性,需要大量的训练样本使得训练困难,同时也需要提高储备池的适应性以面对复杂的预测任务。为了解决ESN预测中训练困难的问题,引入了灰狼算法,提出了灰狼优化回声状态网络的时序预测方法。该算法中灰狼能够自适应地快速根据其捕食行为实现全局优化,通过灰狼算法优化输出权重W~(out),解决了训练困难的问题,提高了ESN网络预测的精度。(4)基于SAX和回声状态网络的时序预测模型。将SAX表示法引入灰狼优化回声状态网络的时序预测算法中,构建新的时序预测模型。从而简化预测模型中的训练数据,在保持预测精度的前提下,提升该模型的构建效率。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：O211.61

【相似文献】

相关期刊论文 前10条

1 袁全勇;李春;杨阳;;风速时间序列混沌判定方法比较研究[J];热能动力工程;2018年07期

2 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期

3 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期

4 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期

5 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

6 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

7 王嵬;;王嵬作品[J];当代油画;2017年07期

8 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

9 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

10 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

相关会议论文 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 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集（二十九）——专题57：电磁地球物理学研究及其应用[C];2017年

3 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

4 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集（上）[C];1989年

5 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年

6 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年

7 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

8 王冬;章家义;陈宗;;配电网时间序列数据的云计算集群快速压缩模型[A];2017年江西省电机工程学会年会论文集[C];2018年

9 徐俊武;卢现祥;;公共支出、政府治理、部门效应与共享式增长——基于中国时间序列数据的分析[A];第十一届中国制度经济学年会论文汇编（上）[C];2011年

10 韩奔;;非完全检测下腐蚀管道的最优检测时间序列[A];中国力学大会-2015论文摘要集[C];2015年

相关重要报纸文章 前10条

1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年

2 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

3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年

4 ;《时间序列与金融数据分析》[N];中国信息报;2004年

5 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

6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年

8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年

9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年

10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014年

相关博士学位论文 前10条

1 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

2 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

3 潘玉青;基于NDVI时间序列的黄河中下游典型史前都邑性遗址的作物物候观察[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

4 郝鹏宇;基于多时相遥感数据的农作物分类研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

5 乔海浪;基于NDVI时间序列重构的经济型人工林时空分布信息提取研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2017年

6 王妮妮;基于智能计算技术的时间序列分割及预测研究[D];大连理工大学;2013年

7 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

8 骆科东;短时间序列挖掘方法研究[D];清华大学;2004年

9 肖辉;时间序列的相似性查询与异常检测[D];复旦大学;2005年

10 李汉东;多变量时间序列波动持续性研究[D];天津大学;2000年

相关硕士学位论文 前10条

1 张伟;基于时间序列的货币与投资对CPI指数的关联性研究[D];中国地质大学(北京);2018年

2 孙越凡;时间序列遥感技术支持的国土空间开发监测研究[D];南京大学;2018年

3 吕玉红;时间序列异常检测算法的研究与应用[D];电子科技大学;2018年

4 肖文栋;时序医疗健康数据挖掘的研究[D];电子科技大学;2018年

5 詹念;农业云平台的网络守护软件开发[D];黑龙江大学;2018年

6 白莹莹;基于SAX和回声状态网路的时序预测模型研究[D];太原理工大学;2018年

7 郭芷榕;基于BP神经网络和半监督学习的时间序列分类模型研究[D];太原理工大学;2018年

8 马超红;时间序列早期分类研究[D];河北经贸大学;2018年

9 朱慧;重庆地区NDVI时间序列重建研究[D];重庆师范大学;2017年

10 丛林;半干旱地区旱情演变特征分析及旱情预测研究[D];沈阳农业大学;2017年

，

本文编号：2598018