基于耦合时空K近邻与向量自回归的地理时间序列预测

发布时间：2024-11-03 09:36

　　随着传感网络的不断发展,人们获取的地理传感数据越来越多,对地理传感数据的预测逐渐成为了学者们研究的热点。地理传感数据的预测在经济、工程、自然科学和社会科学中具有广泛的应用。目前,学者们已提出了大量关于地理传感数据的预测方法,如STARIMA、cARIMA、cVAR等。这些方法通过不同的方式将数据中源于不同站点的空间相关性和同一站点的时间相关性进行处理。但上述的模型中通过聚类方式对数据进行处理时,将聚类结果通过一定方式统一应用到同一个簇中的所有序列之中,忽略了每个地理传感数据序列的独特性,地理时序数据预测的准确性还有待进一步提高。本文提出了一种将数据中时间信息和空间信息有效融合,同时考虑了各传感序列独特性的nVAR模型对地理传感数据进行预测。该模型通过计算时空距离将数据中的时间信息和空间信息量化,并基于时空距离寻找K近邻,最后将近邻结果应用于向量自回归模型中完成预测。nVAR模型采用寻找时空近邻的方式将数据中时间维度和空间维度的相关性有效地融合,同时应用在时空上具有高度相关性的近邻对传感序列进行预测,充分考虑了各地理序列的独特性。然而以上模型在处理时间相关性时只注意到时间序列两两之间的局部...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 时间序列数据的预测
        1.2.2 地理时间序列数据的预测
    1.3 本文工作及创新
    1.4 论文的组织结构
    1.5 本章小结
第二章 地理时间序列数据预测的相关知识
    2.1 地理时间序列数据
    2.2 地理时间序列数据的预测
        2.2.1 VAR(向量自回归)模型介绍
        2.2.2 cVAR模型介绍
    2.3 本章小结
第三章 基于K近邻与向量自回归的地理时间序列预测
    3.1 nVAR模型的提出
    3.2 nVAR模型
        3.2.1 nVAR模型流程
        3.2.2 K值的确定
        3.2.3 nVAR模型预测
    3.3 时间复杂度
    3.4 本章小结
第四章 基于耦合时空K近邻与向量自回归的地理时间序列预测
    4.1 耦合的相关概念
        4.1.1 多属性数值数据
        4.1.2 内耦合与间耦合
        4.1.3 数据的耦合表达
    4.2 耦合时间距离
        4.2.1 地理时间序列数据的内耦合与间耦合
        4.2.2 地理时间序列数据的耦合距离
    4.3 cnVAR模型
        4.3.1 耦合时空K近邻
        4.3.2 时间序列的耦合预测
    4.4 算法时间复杂度
    4.5 本章小结
第五章 实验
    5.1 实验数据
    5.2 实验结果
        5.2.1 nVAR模型与cVAR模型的结果比较
        5.2.2 cnVAR模型与nVAR模型的结果比较
    5.3 本章小结
第六章 总结与展望
    6.1 全文工作总结
    6.2 未来工作展望
参考文献
致谢
在读期间科研成果清单



本文编号：4011058