基于极限学习机的时间序列预测

发布时间：2020-10-02 10:27

　　时间序列中蕴含了大量有价值的信息,时间序列预测是指通过对已知数据分析估计其未来的发展趋势,准确地对时间序列进行预测可以有效地指导人们的生产生活。极限学习机(Extreme Learning Machine,ELM)作为一种快速的学习算法,被广泛地应用于时间序列预测。与传统前馈神经网络相比,极限学习机只需要随机设置输入权值和隐层阈值,输出权值可以通过求解一个线性方程组得到,其训练过程无需迭代,一步完成,这样很大程度地提高了网络的泛化性和学习速度。本文基于极限学习机对时间序列进行预测,主要做了如下研究:(1)针对基本极限学习机认为新旧训练样本的值应该相等,新训练样本的权重无法通过旧训练样本来得到这一问题,本文提出了一种改进极限学习机对基本极限学习机的样本更新机制进行改进,进一步提高了极限学习机的回归预测能力。(2)阐述剔除样本中不合理数据的拉伊达(Rajda)标准、补充缺失样本数据的三次样条插值方法以及样本归一化处理的方法。时间序列包含着不同的频率分量,所以将时间序列分解成不同频率分量是必要的。通过对一个典型时间序列进行经验模态分解和小波分解仿真,对比了这两种分解方法,发现经验模态分解方法在处理非线性、非平稳的时间序列具有其独特的优势,最终确定经验模态分解为本文预测方法的分解手段。(3)针对时间序列具有非线性和非平稳的特点,本文提出了将经验模态分解与改进极限学习机相结合的预测方法。其实现过程为:将时间序列通过经验模态分解方法分解成几个不同频率的分量,从而降低了序列的非平稳性,分解后得到的分量表现出了短相关性,短相关性的序列复杂度低,更有利于预测模型的建立。对于每个分解后的分量,分别用改进的极限学习机进行预测,得到各个分量的预测结果,将这些预测结果叠加可得到模型的预测结果。(4)使用两种不同类型的时间序列进行仿真预测,一种为Lorenz混沌时间序列,一种为实际测量的网络流量时间序列,与其他时间序列预测方法做对比,仿真结果表明本文所提出的预测方法精度更高。
【学位单位】：沈阳工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：O211.61;TP181
【部分图文】：

网络结构图,反馈网络,网络结构,自组织网络

图 2.6 反馈网络的网络结构Fig. 2.6 Feedback network structure典型自组织网络，结构如图 2.7 所的区域，不同区域有不同的响应，[43]

结构图,学习算法,结构图,隐含层

OXW图2.8 学习算法结构图Fig. 2.8 Learning algorithm structure diagram以单隐含层前馈神经网络为例，详细介绍误差反向传播算法的过程，单隐含层前馈神经网络的网络结构如图 2.9 所示：nx1ijw1x2x2liwmo1o2on p m图2.9 单隐含层前馈神经网络结构图Fig. 2.9 Single hidden layer feedforward neural network structure在图 2.9 中n表示输入层的神经元数目，神经网络输入为 1 2, , ,TnX x x x， p表示隐含层的神经元数目， m 为输出层的神经元数目，神经网络输出信号为 1 2, , ,TmO o o o，神经网络的期望输出为 1 2, , ,TmD d d d，输入层与隐含层的加权矩阵为 1ijp nw

序列,分量,时域

a 为该序列经过小波分解第 5 层的近似分量，该分量代表了被分解序列的趋势。从对图 3.3 和图 3.4 这两个不同分解方法得到的各个分量的时域图可以看出，经验模态分解总是先把序列中的主要成分提取出来，并且一般前几个分量包含了被分解时间序列的主要信息，最后一个分量代表了整个序列的趋势项。小波分解得到的细节分量和近

【相似文献】