基于分解—集成学习的时间序列预测方法研究
发布时间：2021-03-11 15:10
时间序列是指某个复杂动态系统中的被控对象在不同时间点的实际观测值。时序数据的预测建模则是根据已知数据,构建能反映数据内部所隐含某种动态关系的数学模型,揭示其变化规律,预测未来的走势。时序数据预测被应用于许多领域,如航空乘客需求、汇率、风速、电力价格和碳价格等等。然而,复杂动态市场中的时序数据受多种因素的影响往往表现出波动性、不规则、非平稳等复杂特征,使得准确预测时序数据成为当前研究的重点与难点。因此,如何科学地搭建预测方法及提高数据预测的精确性,无论是在挖掘动态系统的发展规律、补充现有的理论知识,深入理解动态系统变化规律这样的科学层面,还是在获取商业利益、提供有价值的参考意见或强有力的数据支持这样的现实层面,都具有十分重要的意义。当前已有的预测方法可概括为计量经济方法、人工智能技术和混合方法。计量经济方法主要采用随机方程简明的描述实际问题的定量特征,但简单的数学公式在实际情况中不能准确表达和处理数据的不规则与非线性等复杂特征。人工智能技术能够根据实际应用的需要建立非线性表示的数学模型,从而通过设计相应的学习算法来解决具体问题,但其存在过拟合,参数不稳定波动等问题。就准确性和稳定性而言,...
【文章来源】：兰州交通大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
本文结构图
兰州交通大学硕士学位论文-17-图3.1VMD-ARMA/KLEM-KELM方法的流程图3.4实证研究本小节主要涉及两个问题:(1)评估本章所搭建的VMD-ARMA/KLEM-KELM航空乘客需求预测方法的性能;(2)与其他几种单模型、混合方法的预测性能相比，证实本章提出方法的优越性。因此，采用了北京机场和广州机场的航空乘客需求数据来测试所提出的混合方法。3.4.1节描述了数据信息。3.4.2节详细描述了误差评估准则和统计检验标准。3.4.3节详细的给出了实证过程和预测性能分析过程。3.4.1数据来源收集北京，广州和上海浦东机场的2006年1月至2017年11月航空客运需求月度数据来进一步证明本章中所提出方法的预测能力。北京和广州机场的数据用于建立和测试混合方法的性能，上海浦东机场的数据用于验证混合方法的适用性和鲁棒性。如图3.2所示，三个机场的航空客运需求量显示出不平稳特性。训练集和测试集分别为2006年1月至2015年7月和2015年8月至2017年11月。
基于分解-集成学习的时间序列预测方法研究-18-图3.2北京、广州和上海浦东机场的航空旅客需求月度数据3.4.2评价准则误差是衡量预测值接近真实值的程度，评估标准可用于判断预测方法的性能。以下几种流行的指标可用于从不同角度评估误差[35]，例如MAE、MAPE、RMSE和方向预测精度(Dstat)。MAE、MAPE和RMSE越小越好，而Dstat的数值越大越好。具体公式内容如表3.1所示。表3.1性能评估指标评估指标定义公式MAE平均绝对误差"11||NiiiAANMAPE平均绝对百分比误差"11100%NiiiiAANARMSE均方根误差"211()NiiiAANDstat方向预测精度11NnndN注：iA代表真实值，"iA代表预测值。""1ii+11()()00niindAAAAd当其他。为了评估所提出的混合方法的预测准确性是否在统计上优于其他基准方法，引入了Diebold–Mariano(DM)检验[47]。DM检验的假设为：
【参考文献】：
期刊论文
[1]基于Elman神经网络的PM2.5质量浓度区间预测[J]. 李晓理,梅建想,王康,李济瀚. 北京工业大学学报. 2020(04)
[2]基于奇异谱分析的航空客运需求分析与分解集成预测模型[J]. 梁小珍,郭战坤,张倩文,杨明歌,汪寿阳. 系统工程理论与实践. 2020(07)
[3]基于数据分解的AQI的CEEMD-Elman神经网络预测研究[J]. 吴曼曼,徐建新,王钦. 中国环境科学. 2019(11)
[4]基于极限学习机的短期风力发电预测[J]. 朱抗,杨洪明,孟科. 电力科学与技术学报. 2019(02)
[5]基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法[J]. 史峰,杨星琪,胡心磊,徐光明,武润发. 中国铁道科学. 2019(03)
[6]基于ARIMA模型的山东省肺结核发病趋势预测[J]. 秘玉清,张继萍,殷延玲,刘一鋆,于慧慧,王莎莎,王祥,李爱娇,罗盛,李伟. 中国卫生统计. 2018(06)
[7]基于航空大数据的机场客流量时空分布预测[J]. 罗甘. 电子技术与软件工程. 2018(18)
[8]基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测[J]. 崔焕影,窦祥胜. 运筹与管理. 2018(07)
[9]时空嵌入式生成对抗网络的地点预测方法[J]. 孔德江,汤斯亮,吴飞. 模式识别与人工智能. 2018(01)
[10]基于VMD与PSO优化深度信念网络的短期负荷预测[J]. 梁智,孙国强,李虎成,卫志农,臧海祥,周亦洲,陈霜. 电网技术. 2018(02)
博士论文
[1]神经网络及其组合模型在时间序列预测中的研究与应用[D]. 潘丽娜.兰州大学 2018
[2]多元时间序列分割与预测方法及应用研究[D]. 郭红月.大连理工大学 2017
硕士论文
[1]基于神经网络方法的时间序列预测方案研究[D]. 王慧健.南京邮电大学 2019
[2]基于深度学习的脑血管病电子病历辅助诊疗研究[D]. 郭煜.北京交通大学 2019
[3]改进粒子群算法优化Elman神经网络的交通流预测[D]. 张琪琪.长安大学 2019
[4]基于VMD-ARIMA-HGWO-SVR组合模型的港口集装箱吞吐量预测[D]. 刘钰.兰州大学 2018
[5]基于灰狼优化算法的风电场短期风速区间预测[D]. 王玉芳.兰州大学 2017
[6]基于灰色理论的碳市场交易价格预测研究[D]. 关晓轲.西南交通大学 2016
[7]人民币兑美元汇率短期预测研究[D]. 许宗礼.暨南大学 2016
[8]分解集成框架下的石油价格预测：模态重构与分量预测技术研究[D]. 汪子述.北京化工大学 2016
[9]基于萤火虫算法和RBF神经网络的高速公路交通流预测[D]. 刘研.长安大学 2016
本文编号：3076661
【文章来源】：兰州交通大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
本文结构图
兰州交通大学硕士学位论文-17-图3.1VMD-ARMA/KLEM-KELM方法的流程图3.4实证研究本小节主要涉及两个问题:(1)评估本章所搭建的VMD-ARMA/KLEM-KELM航空乘客需求预测方法的性能;(2)与其他几种单模型、混合方法的预测性能相比，证实本章提出方法的优越性。因此，采用了北京机场和广州机场的航空乘客需求数据来测试所提出的混合方法。3.4.1节描述了数据信息。3.4.2节详细描述了误差评估准则和统计检验标准。3.4.3节详细的给出了实证过程和预测性能分析过程。3.4.1数据来源收集北京，广州和上海浦东机场的2006年1月至2017年11月航空客运需求月度数据来进一步证明本章中所提出方法的预测能力。北京和广州机场的数据用于建立和测试混合方法的性能，上海浦东机场的数据用于验证混合方法的适用性和鲁棒性。如图3.2所示，三个机场的航空客运需求量显示出不平稳特性。训练集和测试集分别为2006年1月至2015年7月和2015年8月至2017年11月。
基于分解-集成学习的时间序列预测方法研究-18-图3.2北京、广州和上海浦东机场的航空旅客需求月度数据3.4.2评价准则误差是衡量预测值接近真实值的程度，评估标准可用于判断预测方法的性能。以下几种流行的指标可用于从不同角度评估误差[35]，例如MAE、MAPE、RMSE和方向预测精度(Dstat)。MAE、MAPE和RMSE越小越好，而Dstat的数值越大越好。具体公式内容如表3.1所示。表3.1性能评估指标评估指标定义公式MAE平均绝对误差"11||NiiiAANMAPE平均绝对百分比误差"11100%NiiiiAANARMSE均方根误差"211()NiiiAANDstat方向预测精度11NnndN注：iA代表真实值，"iA代表预测值。""1ii+11()()00niindAAAAd当其他。为了评估所提出的混合方法的预测准确性是否在统计上优于其他基准方法，引入了Diebold–Mariano(DM)检验[47]。DM检验的假设为：
【参考文献】：
期刊论文
[1]基于Elman神经网络的PM2.5质量浓度区间预测[J]. 李晓理,梅建想,王康,李济瀚. 北京工业大学学报. 2020(04)
[2]基于奇异谱分析的航空客运需求分析与分解集成预测模型[J]. 梁小珍,郭战坤,张倩文,杨明歌,汪寿阳. 系统工程理论与实践. 2020(07)
[3]基于数据分解的AQI的CEEMD-Elman神经网络预测研究[J]. 吴曼曼,徐建新,王钦. 中国环境科学. 2019(11)
[4]基于极限学习机的短期风力发电预测[J]. 朱抗,杨洪明,孟科. 电力科学与技术学报. 2019(02)
[5]基于数据替补修正的高速铁路日常客运量VMD-GA-BP预测方法[J]. 史峰,杨星琪,胡心磊,徐光明,武润发. 中国铁道科学. 2019(03)
[6]基于ARIMA模型的山东省肺结核发病趋势预测[J]. 秘玉清,张继萍,殷延玲,刘一鋆,于慧慧,王莎莎,王祥,李爱娇,罗盛,李伟. 中国卫生统计. 2018(06)
[7]基于航空大数据的机场客流量时空分布预测[J]. 罗甘. 电子技术与软件工程. 2018(18)
[8]基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测[J]. 崔焕影,窦祥胜. 运筹与管理. 2018(07)
[9]时空嵌入式生成对抗网络的地点预测方法[J]. 孔德江,汤斯亮,吴飞. 模式识别与人工智能. 2018(01)
[10]基于VMD与PSO优化深度信念网络的短期负荷预测[J]. 梁智,孙国强,李虎成,卫志农,臧海祥,周亦洲,陈霜. 电网技术. 2018(02)
博士论文
[1]神经网络及其组合模型在时间序列预测中的研究与应用[D]. 潘丽娜.兰州大学 2018
[2]多元时间序列分割与预测方法及应用研究[D]. 郭红月.大连理工大学 2017
硕士论文
[1]基于神经网络方法的时间序列预测方案研究[D]. 王慧健.南京邮电大学 2019
[2]基于深度学习的脑血管病电子病历辅助诊疗研究[D]. 郭煜.北京交通大学 2019
[3]改进粒子群算法优化Elman神经网络的交通流预测[D]. 张琪琪.长安大学 2019
[4]基于VMD-ARIMA-HGWO-SVR组合模型的港口集装箱吞吐量预测[D]. 刘钰.兰州大学 2018
[5]基于灰狼优化算法的风电场短期风速区间预测[D]. 王玉芳.兰州大学 2017
[6]基于灰色理论的碳市场交易价格预测研究[D]. 关晓轲.西南交通大学 2016
[7]人民币兑美元汇率短期预测研究[D]. 许宗礼.暨南大学 2016
[8]分解集成框架下的石油价格预测：模态重构与分量预测技术研究[D]. 汪子述.北京化工大学 2016
[9]基于萤火虫算法和RBF神经网络的高速公路交通流预测[D]. 刘研.长安大学 2016
本文编号：3076661
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3076661.html
