基于粒计算的模糊推理系统在时序数据预测中的应用研究
发布时间：2021-01-18 19:42
时间序列是指在不同的时间点上收集到的能够反映某种现象或者事物等随时间变化而产生波动的数据的集合,普遍出现在社会科学、经济金融等众多领域。分析时间序列一个关键的目标是实现时间序列的预测,即利用统计学方法和技术,在观测数据中找出时序数据的内部演化规律,建模以估计预测变量的变化趋势。对于时间序列的预测是利用已知数据来预测估计未来的变化趋势,从而使决策者拥有高瞻远瞩的能力,由此做出极为有利的决策,因此其存在至关重要的意义。由此,本文对时间序列的单点预测和长期预测进行了分析与研究。在本文的第一组实验中提出了一种新型的自演化区间二型LSTM模糊神经网络（eIT2FNN-LSTM）。该模型通过将具有长短时记忆机制（LSTM）的循环神经网络引入到二型模糊神经推理系统之中,以实现时间序列的单步预测,并且我们在多类数据集上验证了所提网络的有效性。本文在第二组实验中提出基于模糊信息粒和循环模糊神经网络的时间序列预测模型。该模型首先将原始数据集处理为基于模糊信息粒的时间序列,然后在我们前面提到的eIT2FNN-LSTM上进行粒度水平的预测以实现对时间序列的长期预测。对于本文的贡献以及创新点主要包括以下几个方面...
【文章来源】：山东师范大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
典型的模糊神经网络结构
(a) 区间信息粒 (b) 三角信息粒 (c) 梯形信息粒 (d) 高斯信息粒图 2-3 常见隶属度函数现有的构造颗粒的方式普遍只关注样本数值的变化幅度和变化区间，而忽略数据的变化趋势。但是，实际上，趋势信息常常是时间序列分析的一个重要的指标。例如，将图 2-4(a)中的序列 nXX,X,...,X12 分别按升序和降序进行排列，得到序列如图 2-4(b)和图 2-4(c)所示。分别将这三组序列按照区间粒化函数(图2-4(d))，三角粒化函数(图 2-4(e))和梯形粒化函数(图 2-4(f))构造信息粒，对于每种方法，我们将得到三个相同的信息粒。但是容易看到，这三个序列的趋势明显不同。我们研究新型信息粒的一个关键的目的是，设计一种新的模糊信息粒化方式，使例如图 2-4(a)、图 2-4(b)和图 2-4(c)的序列能够有不同的颗粒表现。如果信息颗粒能够反映基于时间的变化趋势将会是非常有用的。例如对于金融市场，这将帮助投资者进行下一波行情的判断，而不是提供一个无法判断真假的确切数值。
得到序列如图 2-4(b)和图 2-4(c)所示。分别将这三组序列按照区间粒化函数(图2-4(d))，三角粒化函数(图 2-4(e))和梯形粒化函数(图 2-4(f))构造信息粒，对于每种方法，我们将得到三个相同的信息粒。但是容易看到，这三个序列的趋势明显不同。我们研究新型信息粒的一个关键的目的是，设计一种新的模糊信息粒化方式，使例如图 2-4(a)、图 2-4(b)和图 2-4(c)的序列能够有不同的颗粒表现。如果信息颗粒能够反映基于时间的变化趋势将会是非常有用的。例如对于金融市场，这将帮助投资者进行下一波行情的判断，而不是提供一个无法判断真假的确切数值。(a)时间序列 (b)相同的时间序列按升序排列 (c)相同的时间序列按降序排列(d)区间隶属度函数 (e)三角隶属度函数 (f)梯形隶属度函数图 2-4 时间序列的示例及其三个不同的模糊信息粒2.3 LSTM 神经网络在 1997 年，Hochreiter & Schmidhuber 提出了 LSTM 模型[22]，其是一类特殊
【参考文献】：
期刊论文
[1]基于大数据的时间序列预测研究与应用[J]. 程艳云,张守超,杨杨. 计算机技术与发展. 2016(06)
[2]日气温多元时间序列局部支持向量回归预测[J]. 王定成,曹智丽,陈北京,倪郁佳. 系统仿真学报. 2016(03)
[3]基于模糊信息粒化软测量建模方法研究[J]. 王强,田学民. 北京理工大学学报. 2012(09)
[4]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
[5]我国CPI时间序列预测模型的比较及实证检验[J]. 谢佳利,杨善朝,梁鑫. 统计与决策. 2008(09)
硕士论文
[1]模糊神经网络的研究及应用[D]. 鞠初旭.电子科技大学 2012
本文编号：2985542
【文章来源】：山东师范大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
典型的模糊神经网络结构
(a) 区间信息粒 (b) 三角信息粒 (c) 梯形信息粒 (d) 高斯信息粒图 2-3 常见隶属度函数现有的构造颗粒的方式普遍只关注样本数值的变化幅度和变化区间，而忽略数据的变化趋势。但是，实际上，趋势信息常常是时间序列分析的一个重要的指标。例如，将图 2-4(a)中的序列 nXX,X,...,X12 分别按升序和降序进行排列，得到序列如图 2-4(b)和图 2-4(c)所示。分别将这三组序列按照区间粒化函数(图2-4(d))，三角粒化函数(图 2-4(e))和梯形粒化函数(图 2-4(f))构造信息粒，对于每种方法，我们将得到三个相同的信息粒。但是容易看到，这三个序列的趋势明显不同。我们研究新型信息粒的一个关键的目的是，设计一种新的模糊信息粒化方式，使例如图 2-4(a)、图 2-4(b)和图 2-4(c)的序列能够有不同的颗粒表现。如果信息颗粒能够反映基于时间的变化趋势将会是非常有用的。例如对于金融市场，这将帮助投资者进行下一波行情的判断，而不是提供一个无法判断真假的确切数值。
得到序列如图 2-4(b)和图 2-4(c)所示。分别将这三组序列按照区间粒化函数(图2-4(d))，三角粒化函数(图 2-4(e))和梯形粒化函数(图 2-4(f))构造信息粒，对于每种方法，我们将得到三个相同的信息粒。但是容易看到，这三个序列的趋势明显不同。我们研究新型信息粒的一个关键的目的是，设计一种新的模糊信息粒化方式，使例如图 2-4(a)、图 2-4(b)和图 2-4(c)的序列能够有不同的颗粒表现。如果信息颗粒能够反映基于时间的变化趋势将会是非常有用的。例如对于金融市场，这将帮助投资者进行下一波行情的判断，而不是提供一个无法判断真假的确切数值。(a)时间序列 (b)相同的时间序列按升序排列 (c)相同的时间序列按降序排列(d)区间隶属度函数 (e)三角隶属度函数 (f)梯形隶属度函数图 2-4 时间序列的示例及其三个不同的模糊信息粒2.3 LSTM 神经网络在 1997 年，Hochreiter & Schmidhuber 提出了 LSTM 模型[22]，其是一类特殊
【参考文献】：
期刊论文
[1]基于大数据的时间序列预测研究与应用[J]. 程艳云,张守超,杨杨. 计算机技术与发展. 2016(06)
[2]日气温多元时间序列局部支持向量回归预测[J]. 王定成,曹智丽,陈北京,倪郁佳. 系统仿真学报. 2016(03)
[3]基于模糊信息粒化软测量建模方法研究[J]. 王强,田学民. 北京理工大学学报. 2012(09)
[4]时间序列模型和神经网络模型在股票预测中的分析[J]. 刘海玥,白艳萍. 数学的实践与认识. 2011(04)
[5]我国CPI时间序列预测模型的比较及实证检验[J]. 谢佳利,杨善朝,梁鑫. 统计与决策. 2008(09)
硕士论文
[1]模糊神经网络的研究及应用[D]. 鞠初旭.电子科技大学 2012
本文编号：2985542
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2985542.html
