基于商空間的多因素時(shí)間序列分類預(yù)測(cè).pdf

1、隨著計(jì)算機(jī)軟件、網(wǎng)絡(luò)科學(xué)技術(shù)的發(fā)展，現(xiàn)今社會(huì)的信息化程度越來(lái)越高，每天都有大量的信息產(chǎn)生并被以時(shí)間序列數(shù)據(jù)的形式存儲(chǔ)。面對(duì)如此龐大的信息量，如何利用這些數(shù)據(jù)序列成為很多領(lǐng)域的研究熱點(diǎn)。分類和預(yù)測(cè)作為兩種重要的時(shí)間序列數(shù)據(jù)分析形式，也獲得了廣大研究者的關(guān)注。隨著研究的深入，時(shí)間序列中存在的非線性、不確定等因素使得傳統(tǒng)的統(tǒng)計(jì)學(xué)方法或者靜態(tài)模型下的時(shí)間序列預(yù)測(cè)模型無(wú)法滿足當(dāng)前的要求。神經(jīng)網(wǎng)絡(luò)因?yàn)槠淞己玫淖陨硖匦?，比較適合處理復(fù)雜的數(shù)據(jù)模型并從

2、中抽象出有用的信息。但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在的不足，使其應(yīng)用受到限制。本文將針對(duì)多因素時(shí)間序列，使用構(gòu)造性神經(jīng)網(wǎng)絡(luò)和灰色理論相結(jié)合的模型完成對(duì)時(shí)間序列的分類預(yù)測(cè)和數(shù)值預(yù)測(cè)。
　　 為了更加有效地對(duì)多因素時(shí)間序列進(jìn)行預(yù)測(cè)，本文引入了商空間粒度計(jì)算理論。從不同的層次、不同的角度對(duì)時(shí)間序列進(jìn)行分析，將定性與定量?jī)煞N分析結(jié)合起來(lái)，降低問題的復(fù)雜性、突顯影響問題發(fā)展趨勢(shì)的特征屬性，有利于提高預(yù)測(cè)的效率和精度。
　　 本文主要工作如下：

3、
　　 (1)面對(duì)時(shí)間序列數(shù)據(jù)量大且數(shù)據(jù)質(zhì)量不一的情況，使用粒計(jì)算理論中的商空間粒度計(jì)算理論對(duì)時(shí)間序列中的粒度進(jìn)行劃分并分析。通過(guò)?；c合成技術(shù)選擇不同的粒度，使得研究對(duì)象數(shù)據(jù)的特征更加明顯，以獲得更加全面的信息，并降低問題求解的復(fù)雜度。
　　 (2)在時(shí)間序列預(yù)測(cè)模型中，基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型較適合對(duì)多變量進(jìn)行處理，常用來(lái)解決多因素時(shí)間序列預(yù)測(cè)問題。相對(duì)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，構(gòu)造性神經(jīng)網(wǎng)絡(luò)具有構(gòu)造性好、可理解性強(qiáng)、速度快等

4、特點(diǎn)。本文在構(gòu)造性神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，針對(duì)初始化值對(duì)構(gòu)造性神經(jīng)網(wǎng)絡(luò)具有較大影響這一問題，提出多次覆蓋點(diǎn)與隨機(jī)選擇中心點(diǎn)交叉作為覆蓋中心以提高覆蓋中心的質(zhì)量。對(duì)已存在的覆蓋中心增加競(jìng)爭(zhēng)機(jī)制，每個(gè)覆蓋中心通過(guò)比較擇優(yōu)留存。通過(guò)實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，相對(duì)于普通的覆蓋算法，基于競(jìng)爭(zhēng)的覆蓋算法提高了神經(jīng)元即覆蓋域的質(zhì)量。
　　 (3)在多因素時(shí)間序列預(yù)測(cè)中使用GM(1,1)(一元一階灰色模型)和構(gòu)造性神經(jīng)網(wǎng)絡(luò)混合預(yù)測(cè)模型。構(gòu)造性神經(jīng)網(wǎng)絡(luò)是一個(gè)非常優(yōu)

5、秀的分類網(wǎng)絡(luò)模型，本文使用該模型完成分類預(yù)測(cè)，對(duì)預(yù)測(cè)對(duì)象做出定性分析，即分類。根據(jù)時(shí)間序列隨時(shí)間的發(fā)展具有一定的趨勢(shì)性這一特征，將時(shí)間序列預(yù)測(cè)值分為趨勢(shì)值與狀態(tài)值兩個(gè)部分，分別進(jìn)行預(yù)測(cè)。對(duì)時(shí)間序列的趨勢(shì)值，文中使用灰色理論的GM(1,1)模型進(jìn)行預(yù)測(cè)，而狀態(tài)值將通過(guò)覆蓋算法進(jìn)行預(yù)測(cè)。然后通過(guò)兩種預(yù)測(cè)模型的結(jié)合，綜合兩個(gè)預(yù)測(cè)值，獲得時(shí)間序列預(yù)測(cè)的最終結(jié)果。
　　 (4)實(shí)驗(yàn)。采用煤礦瓦斯監(jiān)測(cè)數(shù)據(jù)進(jìn)行具體預(yù)測(cè)實(shí)驗(yàn)。分別使用構(gòu)造性神經(jīng)

6、網(wǎng)絡(luò)分類預(yù)測(cè)模型對(duì)瓦斯?jié)舛鹊淖兓厔?shì)進(jìn)行預(yù)測(cè)，GM(1,1)與構(gòu)造性神經(jīng)網(wǎng)絡(luò)混合模型完成對(duì)瓦斯數(shù)值的預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，分類預(yù)測(cè)模型可以準(zhǔn)確預(yù)測(cè)出瓦斯?jié)舛鹊淖兓厔?shì)，根據(jù)預(yù)測(cè)結(jié)果，在實(shí)際生產(chǎn)活動(dòng)中可以提前采取措施，以保證生產(chǎn)安全。GM(1,1)與構(gòu)造性神經(jīng)網(wǎng)絡(luò)混合預(yù)測(cè)模型在瓦斯?jié)舛戎档念A(yù)測(cè)實(shí)驗(yàn)中，混合預(yù)測(cè)模型在的結(jié)果明顯優(yōu)于GM(1,1)模型的結(jié)果，相對(duì)于其他網(wǎng)絡(luò)模型，也具有計(jì)算量小，精度高的預(yù)測(cè)效果。通過(guò)實(shí)驗(yàn)，驗(yàn)證了該混合預(yù)測(cè)模型的有