基于機器學習的時間序列預測關鍵技術(shù)研究.pdf

1、時間序列是一種重要的時態(tài)數(shù)據(jù)對象種類，在眾多領域內(nèi)都有出現(xiàn)，例如金融學、物理學、生物學、醫(yī)學和氣象學等。對于時間序列的預測有著極大的研究意義和廣泛的應用價值。由于影響時間序列的因素眾多，傳統(tǒng)的時間序列預測方法能力有限，越來越多的研究者著眼于將機器學習的方法引入時間序列預測之中并且取得了突出的成績。然而，當前時間序列增長速度迅速，大規(guī)模時間序列普遍出現(xiàn)，這使得基于機器學習的時間序列預測面臨著一系列的新挑戰(zhàn)。這些挑戰(zhàn)中最為關鍵的一點是對高維

2、數(shù)據(jù)的快速處理問題。解決這一關鍵的問題對于基于機器學習的時間序列預測性能提高有著重要的意義。而這一關鍵問題的解決離不開特征選擇技術(shù)和快速機器學習技術(shù)。本文工作集中于高維數(shù)據(jù)的快速處理這一基于機器學習的時間序列預測關鍵技術(shù)的研究，其貢獻主要為以下三個方面：
　　(1)提出了一種核空間中的二分類特征選擇框架本文提出了一種核空間中的二分類特征選擇框架。在該框架下，特征首先投影到核空間中，然后在核空間中構(gòu)造一個二分類的任務。當訓練完核空間

3、中的二分類器后，二分類器的法向量反映著特征的重要程度，特征可以根據(jù)該二分類器的法向量進行選取。為了達到的有效的特征選擇目的，本框架對二分類器的法向量加以l1-范數(shù)約束，使其滿足稀疏性的要求。同樣，本框架也可以通過流形正則化技術(shù)自然的拓展到處理半監(jiān)督特征選擇的問題。此外，如何有效消除所選擇特征之間的潛在冗余度也在文中進行了討論。最后，文中對于所提方法給出了理論的證明以保證其適用性。在六個標準數(shù)據(jù)集上充分的實驗證明了該框架具有較高的性能。<

4、br>　　(2)提出了一種基于距離的快速多核學習方法在本文中，我們提出了一種快速多核學習方法基于距離的多核極限學習機。該方法是一種高精度的兩步多核學習方法。具體來說，基于距離的多核極限學習機首先將多個核矩陣投影到一個新的空間，在此空間中新樣本是通過不同原始樣本間的距離信息重構(gòu)出來的。此后，它用新空間中的樣本進行了帶l2-范數(shù)約束的最小二乘回歸?；貧w函數(shù)的法向量將作為多核矩陣的組合系數(shù)，依據(jù)該組合系數(shù)基于距離的多核極限學習機將多核矩陣進行

5、加權(quán)組合構(gòu)成新的核矩陣。最后，這個新的核矩陣被用在極限學習機之中進行訓練和測試。充足的實驗結(jié)果證明了基于距離的多核極限學習機方法在分類、預測精度上和計算時間開銷上較之前方法都有顯著的性能提高。
　　(3)將基于機器學習的時間序列預測關鍵技術(shù)應用到商業(yè)智能模型之中本文將所研究的基于機器學習的時間序列預測關鍵技術(shù)應用到商業(yè)智能模型之中，構(gòu)建了一個股票交易決策建議系統(tǒng)。在系統(tǒng)中基于機器學習的時間序列預測與基于震蕩盒理論提出的交易邊界模型