基于KRLS的在線時間序列預(yù)測方法及其應(yīng)用研究.pdf

1、在線時間序列預(yù)測是一個熱點研究問題，需要對大量、非線性、隨機(jī)樣本進(jìn)行在線預(yù)測，對預(yù)測精度和效率都有較高要求。KRLS（Kernel Recursive Least Square）算法具有收斂速度快、計算復(fù)雜度低、模型簡單等優(yōu)點，將其用于在線時間序列預(yù)測具有較好的應(yīng)用前景。但是，現(xiàn)有 KRLS算法因在線預(yù)測過程中對動態(tài)環(huán)境的自適應(yīng)能力不理想，導(dǎo)致無法同時滿足預(yù)測精度和效率的需求。本文將針對上述問題開展研究工作，研究工作主要包括：
　

2、　首先，研究 KRLS算法的基本原理及其在線時間序列預(yù)測方法。針對KRLS算法核心的樣本詞典在線更新問題，通過在線預(yù)測實驗對比分析稀疏化、滑動窗口和固定預(yù)算三種樣本詞典更新方法對預(yù)測精度和效率的影響。
　　其次，針對采用稀疏化方法的稀疏 KRLS算法預(yù)測效率較高，但由于其自適應(yīng)能力較差而預(yù)測精度較低的問題，提出動態(tài)遺忘稀疏 KRLS算法，通過引入遺忘因子和遺忘因子動態(tài)自適應(yīng)的方法，提高其預(yù)測精度。實驗結(jié)果表明，動態(tài)遺忘稀疏 KRL

3、S算法與稀疏 KRLS算法相比，對預(yù)測效率產(chǎn)生很小的影響，卻很大程度的提升了預(yù)測精度。
　　此外，針對擴(kuò)展 KRLS算法具有動態(tài)環(huán)境下狀態(tài)跟蹤能力，但其預(yù)測效率較低且預(yù)測精度也不理想的問題，提出動態(tài)遺忘稀疏擴(kuò)展 KRLS算法，通過引入稀疏化方法，提高預(yù)測效率且解決因過擬合而精度下降的問題，通過采用動態(tài)遺忘方法，進(jìn)一步改進(jìn)其自適應(yīng)能力，從而實現(xiàn)較高的預(yù)測精度。實驗結(jié)果表明，動態(tài)遺忘稀疏擴(kuò)展 KRLS算法與擴(kuò)展 KRLS算法相比，預(yù)測