版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、數(shù)據(jù)預(yù)測(cè)與分類是數(shù)據(jù)挖掘領(lǐng)域非常重要的研究課題,長(zhǎng)期以來(lái)受到了廣泛的關(guān)注。數(shù)據(jù)預(yù)測(cè)與分類理論是管理科學(xué)、經(jīng)濟(jì)、數(shù)學(xué)、計(jì)算機(jī)等不同學(xué)科相互交叉融合的結(jié)晶,并已經(jīng)被廣泛應(yīng)用于能源價(jià)格市場(chǎng)分析、金融市場(chǎng)價(jià)格預(yù)測(cè)和風(fēng)險(xiǎn)控制、生物信息識(shí)別、商務(wù)智能客戶行為分析等眾多領(lǐng)域。近年來(lái),隨著信息技術(shù)、互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展,云計(jì)算、大數(shù)據(jù)分析的逐步成熟,復(fù)雜數(shù)據(jù)預(yù)測(cè)與分類研究充滿了機(jī)遇與挑戰(zhàn),一方面,隨著上述新興技術(shù)、產(chǎn)業(yè)的發(fā)展與推廣,大量實(shí)時(shí)在線數(shù)據(jù)的快
2、速收集得以實(shí)現(xiàn),以數(shù)據(jù)預(yù)測(cè)與分類為代表的數(shù)據(jù)挖掘技術(shù)將在更多的領(lǐng)域中發(fā)揮更大的作用。另一方面,從數(shù)據(jù)維度、數(shù)據(jù)類型以及數(shù)據(jù)體量等不同層面來(lái)看,數(shù)據(jù)對(duì)象正變的越來(lái)越多樣化、復(fù)雜化,這極大的增加了精準(zhǔn)化和精細(xì)化挖掘的難度,同時(shí)也從知識(shí)獲取的準(zhǔn)確性、合理性、可靠性以及實(shí)用性等多個(gè)方面對(duì)數(shù)據(jù)預(yù)測(cè)與分類研究提出了更高要求。
本文在對(duì)國(guó)內(nèi)外數(shù)據(jù)預(yù)測(cè)與分類有關(guān)基礎(chǔ)理論、實(shí)現(xiàn)方法和建模策略進(jìn)行梳理和總結(jié)的基礎(chǔ)上,重點(diǎn)從數(shù)據(jù)的維度復(fù)雜性、頻域特
3、征復(fù)雜性、多源信息識(shí)別與匹配三個(gè)方面出發(fā),緊密圍繞數(shù)據(jù)預(yù)測(cè)與分類的關(guān)鍵問(wèn)題,以電力系統(tǒng)負(fù)荷數(shù)據(jù)、電力市場(chǎng)價(jià)格數(shù)據(jù)為主要研究對(duì)象和案例,對(duì)復(fù)雜數(shù)據(jù)預(yù)測(cè)與分類問(wèn)題展開(kāi)研究。本文的主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)總結(jié)如下:
(1)提出了一種基于相似性測(cè)度的半?yún)?shù)回歸概率密度預(yù)測(cè)框架,系統(tǒng)性分析了傳統(tǒng)數(shù)據(jù)預(yù)測(cè)方法的適用范圍及存在的問(wèn)題。在此基礎(chǔ)上,針對(duì)研究對(duì)象的多源相關(guān)性特征,構(gòu)建了基于非參數(shù)修勻的半?yún)?shù)回歸模型,同時(shí)結(jié)合Bootstrap概率區(qū)
4、間估計(jì)進(jìn)行分析。其次,針對(duì)所選擇的多影響因素指標(biāo)與研究對(duì)象之間作用機(jī)制難以確定的問(wèn)題,結(jié)合相似性測(cè)度、因子分析以及因果關(guān)系檢驗(yàn)等方法,給出了一種規(guī)范化的指標(biāo)變量提取與識(shí)別策略。通過(guò)實(shí)驗(yàn)驗(yàn)證所提出預(yù)測(cè)框架的有效性,進(jìn)而為深入研究不同指標(biāo)變量與對(duì)象數(shù)據(jù)之間的復(fù)雜建模機(jī)制提供了借鑒。
(2)提出了一種基于數(shù)據(jù)降維的分段可加半?yún)?shù)回歸概率密度預(yù)測(cè)框架,針對(duì)數(shù)據(jù)的周期性、多維多粒度波動(dòng)特性,受到可加建模思想的啟發(fā),提出了基于分段可加的半
5、參數(shù)回歸模型,并結(jié)合Bootstrap概率區(qū)間估計(jì)進(jìn)行分析。為保證樣本外預(yù)測(cè)的可行性和合理性,基于Bootstrap重采樣技術(shù)對(duì)氣象數(shù)據(jù)的未來(lái)趨勢(shì)進(jìn)行了有效模擬。該數(shù)據(jù)預(yù)測(cè)框架引入了可加建模思想對(duì)數(shù)據(jù)作降維度處理,并結(jié)合指標(biāo)變量篩選與匹配方法從而完成概率分布建模,給出了一種可行的大跨度外延預(yù)測(cè)方法,同時(shí)提高了數(shù)據(jù)預(yù)測(cè)在電力需求分析中的實(shí)用性和魯棒性。
(3)提出了一種基于特征提取的半?yún)?shù)回歸概率密度預(yù)測(cè)框架,針對(duì)數(shù)據(jù)的周期性、
6、多頻域特征混疊特性,基于EEMD頻域分解方法對(duì)原始序列進(jìn)行多尺度分析,結(jié)合頻域特征選擇與識(shí)別方法確定原始序列的特征信號(hào)和隨機(jī)信號(hào),并對(duì)不同頻域信號(hào)進(jìn)行重構(gòu)。結(jié)合正交最小二乘估計(jì)、Bootstrap概率區(qū)間估計(jì),構(gòu)建了非參數(shù)修勻策略的半?yún)?shù)回歸模型?;谒岢龅哪P蛯?duì)不同特征成分和趨勢(shì)成分分別建模并集成預(yù)測(cè)。該數(shù)據(jù)預(yù)測(cè)框架引入了頻域分析方法對(duì)數(shù)據(jù)作降維度處理,通過(guò)合理的篩選特征信號(hào)和趨勢(shì)信號(hào)并進(jìn)行概率分布建模,為有效分析具有復(fù)雜趨勢(shì)融合特
7、征的非平穩(wěn)時(shí)間序列數(shù)據(jù)提供了一種新思路。
(4)提出了一種基于特征選擇和支持向量機(jī)的高維數(shù)據(jù)分類框架,針對(duì)連續(xù)型數(shù)值預(yù)測(cè)方法用于非平穩(wěn)、極端波動(dòng)趨勢(shì)分析時(shí)容易失效的問(wèn)題,基于數(shù)據(jù)分類的思想將傳統(tǒng)的數(shù)據(jù)類別看作是描述對(duì)象數(shù)據(jù)變化的“概率空間”,并增加對(duì)象數(shù)據(jù)的所屬類別及類別范圍從而將區(qū)間預(yù)測(cè)轉(zhuǎn)化為模式分類問(wèn)題。通過(guò)融合Filter和Wrapper兩種不同特征選擇思路對(duì)SVM進(jìn)行改進(jìn),給出了基于多分類的SVM-RFE-MRMR分類
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 面向高維復(fù)雜數(shù)據(jù)的降維算法研究.pdf
- 復(fù)雜數(shù)據(jù)分類方法及其應(yīng)用研究.pdf
- 高維復(fù)雜數(shù)據(jù)的有監(jiān)督特征提取方法.pdf
- 復(fù)雜數(shù)據(jù)的特征選擇與關(guān)聯(lián)分析.pdf
- 基于數(shù)據(jù)挖掘的軟件缺陷數(shù)據(jù)預(yù)測(cè)方法研究.pdf
- 面向復(fù)雜數(shù)據(jù)對(duì)象的分類算法研究.pdf
- 電力負(fù)荷數(shù)據(jù)預(yù)測(cè)方法模型設(shè)計(jì)與分析.pdf
- 基于特征選擇的數(shù)據(jù)降維.pdf
- 面向列車客票數(shù)據(jù)預(yù)測(cè)分析及特征提取方法的研究.pdf
- 基于特征選擇的數(shù)據(jù)降維算法研究.pdf
- 面向高維數(shù)據(jù)降維與分類的深度模型構(gòu)建方法研究.pdf
- 基于特征降維的場(chǎng)景分類方法研究.pdf
- 基于支持向量機(jī)回歸與學(xué)習(xí)的金融數(shù)據(jù)預(yù)測(cè)與分類.pdf
- 基于粒子濾波的金融數(shù)據(jù)預(yù)測(cè)研究.pdf
- 基于LLTSA算法的轉(zhuǎn)子故障特征數(shù)據(jù)集降維方法研究.pdf
- 基于醫(yī)學(xué)數(shù)據(jù)降維方法比較研究.pdf
- 57867.復(fù)雜數(shù)據(jù)分類和ev模型應(yīng)用研究
- 余弦度量下的高維數(shù)據(jù)降維及分類方法研究.pdf
- 基于降維的基因表達(dá)數(shù)據(jù)分類算法研究.pdf
- 數(shù)據(jù)降維技術(shù)的建模研究與應(yīng)用——特征降維及其應(yīng)用.pdf
評(píng)論
0/150
提交評(píng)論