基于群智能算法的時(shí)間序列預(yù)測方法研究.pdf

1、時(shí)間序列預(yù)測被廣泛應(yīng)用于社會(huì)科學(xué)、自然科學(xué)、人類思維探索等多個(gè)領(lǐng)域，具有廣泛的應(yīng)用價(jià)值。模型參數(shù)的最優(yōu)估計(jì)方法是時(shí)間序列預(yù)測研究的重點(diǎn)，經(jīng)典參數(shù)估計(jì)方法采用一組參數(shù)進(jìn)行估計(jì)，對估計(jì)結(jié)果不進(jìn)行評估和優(yōu)化，預(yù)測精度往往達(dá)不到要求。本文在對群體智能尋優(yōu)機(jī)制的研究基礎(chǔ)上，重點(diǎn)研究基于群智能的參數(shù)估計(jì)方法，并將其應(yīng)用到一元時(shí)間序列和多元時(shí)間序列預(yù)測中。
　　 針對最小二乘參數(shù)估計(jì)法計(jì)算量大，逆矩陣難以求解，無法滿足動(dòng)態(tài)系統(tǒng)的實(shí)時(shí)性。遞推最

2、小二乘估計(jì)雖有改進(jìn)，但隨著遞推的進(jìn)行，存在累計(jì)誤差導(dǎo)致結(jié)果發(fā)散的缺陷。本文提出基于群智能的時(shí)間序列預(yù)測模型(Swarm Intelligence Time Series Forecasting Model，STFM)。群智能算法借鑒了遞推估計(jì)思想和粒子濾波的群集尋優(yōu)模式，不依靠嚴(yán)格的數(shù)學(xué)模型，以概率方式進(jìn)行搜索，同時(shí)具有較強(qiáng)的全局尋優(yōu)搜索性能。通過群智能算法解決粒子濾波的粒子退化問題，從而提高預(yù)測精度。
　　 將群智能的時(shí)間序列

3、預(yù)測模型應(yīng)用于一元時(shí)間序列預(yù)測，以Memetic算法和螢火蟲優(yōu)化算法為例，進(jìn)行模型參數(shù)的最優(yōu)估計(jì)。同時(shí)，綜合不同群智能算法的尋優(yōu)機(jī)制，提出了增加局部搜索算子和動(dòng)態(tài)步長的改進(jìn)螢火蟲優(yōu)化算法，并將螢火蟲優(yōu)化算法和粒子濾波進(jìn)行融合，改善粒子濾波的重要性采樣過程。仿真實(shí)驗(yàn)表明STFM相比傳統(tǒng)算法，提高了預(yù)測精度。
　　 針對多元時(shí)間序列數(shù)據(jù)之間相互影響，規(guī)律復(fù)雜，本文對多元時(shí)間序列預(yù)測進(jìn)行研究，將群智能的時(shí)間序列預(yù)測模型應(yīng)用于多元時(shí)間序