基于智能算法的時間序列預測方法研究.pdf

1、預測是人們依照歷史信息對未來進行的推測與預期，合理、準確的預測是人們提出恰當、合理決策的基礎與保證。學術與工程實踐領域里，對于時間序列數據的預測，長期以來是學者們緊密關注的課題。時間序列數據中可以儲存非常多的信息，其中也蘊含著許多系統(tǒng)動態(tài)規(guī)律，于是，通過充分分析這些時間序列數據，挖掘出數據中演變規(guī)律，從而實現對前期系統(tǒng)運行的觀察和對后期系統(tǒng)運行的預報，這在實際應用里有著十分重要的價值及意義。
　　在實際應用中，所獲得的時間序列數據

2、通常是非線性的，而且常常是不平穩(wěn)甚至快速變化的，精準地分析預測此類時間序列數據是非常困難的。因此，本課題在傳統(tǒng)時間序列預測方法的基礎上，分別引入了小波分析、Elman神經網絡、回聲狀態(tài)網絡、模糊理論等智能算法來探討提高時間序列預測效果的方法。
　　預測應用過程當中，如果對一個序列分別創(chuàng)建不同的預測模型，那么這些不同的模型所產生的預測效果是有差異的，而且有時這種差異非常大。因此，針對不同預測方法的優(yōu)缺點，可以把多種預測方法進行融合，

3、從而創(chuàng)建出一種新的預測模型來實現數據預測，這種新的模型能夠充分融合大量有用信息，在最大程度上改善數據的預測效果。
　　本課題提出了以下幾種模型:小波-AR模型，小波-AR-Elman神經網絡模型，小波回聲狀態(tài)網絡模型和模糊回聲狀態(tài)網絡模型。模型首先利用Mallat算法和Daubechies小波將原始時間序列進行不同尺度上的分解與重構，分別得到不同分解尺度上的細節(jié)部分序列和概貌部分序列，而后分別針對新序列特性分別創(chuàng)建預測模型進行預測