基于高斯过程回归的时间序列的研究与应用

发布时间：2021-11-07 23:15

　　生活中充斥着大量与时间、空间位置相关的事件,它们可以归结为同一类问题,即时间序列。这一类问题深刻影响着社会的进步、人类的健康、自然环境的变化,提前预知将来时刻或未知位置的状态,即预测,可以让我们避免不必要损失,提高我们的生活水平等。目前,对时间序列的预测主要可以分为回归和分类两大问题。对于输出可能的结果有无数多个时,我们称为回归问题。对于输出可能的结果有限个时,我们成为分类问题。现实生活中,回归问题的数目异常庞大,研究这类问题意义非凡。回归问题主要可以分为两类,即线性的和非线性的。线性的问题可以考虑线性回归（LR）,考虑输出与时间或空间位置的关系。有时简单的线性回归处理不了线性时间序列,在平稳序列中,这时可以考虑自回归（AR）,用过去的输出作为输入来预测当前的输出,也可以考虑过去的噪音生成当前输出（MA）,也可以是两者的组合（ARMA）以及它们的变种。对非线性的时间序列,处理方法主要分为两类,即核方法（kernel method）和多层感知机。核方法将输入空间映射到特征空间,使之线性可分,如核SVM,高斯过程回归（GPR）等。多层感知机随着计算能力的提升,逐渐发展为深度学习（DL）,广... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：41 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
引言
    1.1 研究背景和课题意义
    1.2 本文的主要内容和章节安排
1 高斯过程简介
    1.1 高斯过程
2 高斯过程回归
    2.1 无噪音的高斯过程回归预测
    2.2 含噪音的高斯过程回归预测
    2.3 高斯过程回归的前向推断算法
    2.4 高斯过程回归的模型选择
        2.4.1 常见的损失函数和梯度下降算法
        2.4.2 高斯过程回归的梯度下降
3 时间序列的研究与应用
    3.1 时间序列
    3.2 时间序列的传统方法
        3.2.1 非平稳时间序列平稳化方法
        3.2.2 自回归模型
        3.2.3 滑动平均模型
        3.2.4 自回归滑动平均模型
    3.3 时间序列的深度学习方法
4 基于高斯过程回归的时间序列的研究与应用
    4.1 基于时间的高斯过程回归一元时间序列理论分析
    4.2 基于时间的高斯过程回归一元时间序列实验验证
    4.3 基于自回归的高斯过程回归一元时间序列理论分析
    4.4 基于自回归的高斯过程回归一元时间序列实验验证
    4.5 基于自回归的高斯过程回归模型和神经网络的比较
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]基于高斯过程的机器人模仿学习研究与实现[J]. 于建均,韩春晓,阮晓钢,刘涛.  北京工业大学学报. 2015(07)
[2]基于高斯过程回归的网络流量预测模型[J]. 李振刚.  计算机应用. 2014(05)
[3]高斯过程回归方法综述[J]. 何志昆,刘光斌,赵曦晶,王明昊.  控制与决策. 2013(08)
[4]基于高斯过程回归的短期风速预测[J]. 孙斌,姚海涛,刘婷.  中国电机工程学报. 2012(29)
[5]隧道围岩变形预测的进化高斯过程回归模型[J]. 刘开云,方昱,刘保国,徐冲.  铁道学报. 2011(12)
[6]空间自回归模型及其估计[J]. 李序颖,顾岚.  统计研究. 2004(06)
[7]应用时间序列模型预测疟区疟疾发病率[J]. 温亮,徐德忠,林明和,夏结来,张治英,苏永强.  第四军医大学学报. 2004(06)
[8]时间序列分析在隧道施工监测中的应用[J]. 朱永全,景诗庭,张清.  岩石力学与工程学报. 1996(04)



本文编号：3482570