基于网络的时间序列预测

发布时间：2017-04-26 09:01

  本文关键词：基于网络的时间序列预测，由笔耕文化传播整理发布。

【摘要】：时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后顺序排列而形成的序列。时间序列预测就是通过编制和分析时间序列,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借以预测下一段时间或以后若干年可能达到的水平。时间序列预测在第二次世界大战前应用于经济干预。二次大战中和战后,在军事科学、空间科学、工业自动化和气象预报等部门的应用更加广泛。时间序列预测内容包括：收集与整理某种社会现象的历史资料；对这些资料进行检查鉴别,排成数列；分析时间数列,从中寻找该社会现象随时间变化而变化的规律,得出一定的模式；以此模式去预测该社会现象将来的情况。时间序列预测经历了漫长的发展。从最初的朴素的描述性时间序列分析阶段,到17世纪,随着概率论中随机变量和统计数学中一些结论和方法的发展,时间序列预测进入了统计时序分析的时代,再到利用时间序列的频域特征而发展起来的时间序列频域分析和谱分析。时间序列主要的发展成果集中于时域分析方面,其中以自回归(autoregressive,AR)和移动平均(moving average,MA)为代表的线性时间序列预测方法得到了极大的发展。而相比较于线性时间序列的研究,非线性时间序列分析和预测方面的发展还处于婴儿期。而今年来一个活跃的研究课题是试图把复杂网络理论应用与时间序列分析,从复杂网络这一全新的视角出发,发展一套从时间序列映射到复杂网络的方法,期望能够提取到新的序列结构特征,从而深入认识复杂网络的结构和动力学机制。受到这种思路的启发,我们希望建立一种更具物理意义并可以保留时间信息的方法对时间序列进行预测,我们将时间序列与网络建立联系,并试图从中建立一种全新的时间序列预测模型。同时受到可视图和链路预测方面的一些前沿成果的启发,我们利用可视图理论将时间序列转换为网络,然后在网络中利用链路预测的方法探究预测节点与己知节点之间的关系,最后再将可视图转换为时间序列,从而预测出时间序列的值。该预测模型与一些传统的从统计分析的角度来预测时间序列的模型不同,该模型没有将时间序列的过去观察值看作历史数据来加以分析,而是将过去观察值看作独立的“个体”,利用过去观察值与预测值之间的“关系信息”进行预测。实验证明该网络时间序列模型能够在具有较少观测数据的情况下取得良好的预测结果。在进行单步预测,历史数据较少时,与传统的非平稳自回归滑动平均(ARIMA)模型、指数平滑模型、非线性神经网络模型对比,取得更好的预测效果。最后,该模型被应用在台湾证交所市值加权指数的现实数据预测中,同样取得了良好的预测效果。由此,证明了该模型的有效性。
【关键词】：时间序列预测 复杂网络 可视图 链路预测
【学位授予单位】：西南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O211.61
【目录】：

• 摘要5-7
• ABSTRACT7-9
• 第一章 绪论9-13
• 1.1 时间序列研究背景及意义9
• 1.2 时间序列预测发展历史简述9-11
• 1.3 本文的主要工作11-12
• 1.4 论文组织结构12-13
• 第二章 时间序列预测基本特性及基本模型13-19
• 2.1 时间序列预测基本特征13
• 2.2 时间序列预测基本模型13-18
• 2.2.1 移动平均法13-14
• 2.2.2 指数平滑法14
• 2.2.3 自回归滑动平均模型14-15
• 2.2.4 非平稳自回归滑动平均模型15-17
• 2.2.5 基于神经网络的时间序列预测模型17-18
• 2.3 本章小结18-19
• 第三章 网络的基础理论与模型19-33
• 3.1 复杂网络的概念19-21
• 3.1.1 系统和网络19-20
• 3.1.2 复杂性20
• 3.1.3 复杂系统20-21
• 3.1.4 复杂网络21
• 3.2 网络的基本几何特征21-25
• 3.2.1 平均距离21-22
• 3.2.2 度分布22-23
• 3.2.3 图的基础知识23-25
• 3.3 可视图理论25-27
• 3.4 链路预测27-33
• 3.4.1 链路预测概念27-28
• 3.4.2 基于叠加的随机游走的链路预测方法28-33
• 第四章 可视图聚合算子33-41
• 4.1 可视图聚合算子33-34
• 4.2 可视图聚合算子性质34
• 4.3 实验与分析34-41
• 第五章 一种基于网络的时间序列预测方法41-55
• 5.1 基于网络的时间序列预测方法41-42
• 5.2 实验与分析42-55
• 5.2.1 均方根误差42-43
• 5.2.2 实验一43-47
• 5.2.3 实验二47-49
• 5.2.4 实验三49-50
• 5.2.5 实验四50-52
• 5.2.6 小结52-55
• 第六章 总结与展望55-57
• 6.1 总结55
• 6.2 展望55-57
• 参考文献57-63
• 发表文章目录63-65
• 致谢65

【共引文献】

中国期刊全文数据库 前10条

1 袁正中;;复杂网络控制研究综述[J];闽南师范大学学报(自然科学版);2014年04期

2 陈伟;周文;郎益夫;;基于集群创新合作网络的知识创新与扩散过程建模及仿真研究[J];运筹与管理;2014年06期

3 赵宇哲;彭燕妮;匡海波;;生态学视角下的集装箱海运网络适应度BA模型[J];运筹与管理;2014年06期

4 仇建平;陈立潮;潘理虎;;牵制控制下复杂网络的同步性研究[J];智能系统学报;2014年06期

5 谢世娜;李川;;基于用户复杂联系的最大影响力节点发现算法[J];现代计算机(专业版);2015年03期

6 易龙;;复杂网络环境下的信息路径分析[J];新闻大学;2015年03期

7 张永云;张生太;;社交媒体知识协作网络中的明星效应和经纪人效应——来自Wikipedia社交媒体的发现[J];现代图书情报技术;2015年04期

8 张明智;罗凯;吴曦;;空间信息网络关键节点分析方法研究[J];系统仿真学报;2015年06期

9 于凯;荣莉莉;郭文强;刘泉;颜克胜;;基于线上线下网络的舆情传播模型研究[J];管理评论;2015年08期

10 吴兰平;袁正中;;网络同步中节点重要性分析[J];闽南师范大学学报(自然科学版);2015年03期

  本文关键词：基于网络的时间序列预测，由笔耕文化传播整理发布。

，

本文编号：328107