多任務(wù)學(xué)習(xí)在時(shí)間序列預(yù)測(cè)中的研究及應(yīng)用.pdf

1、時(shí)間序列是一種常見的數(shù)據(jù)結(jié)構(gòu)，廣泛地存在于人類社會(huì)活動(dòng)和客觀世界中。時(shí)間序列預(yù)測(cè)旨在依據(jù)時(shí)間序列中隱含的內(nèi)在變化規(guī)律建立數(shù)學(xué)模型，挖掘其隱含的時(shí)間演變關(guān)系，從而實(shí)現(xiàn)對(duì)序列未來發(fā)展趨勢(shì)的預(yù)測(cè)。深入分析來源于不同觀測(cè)事物的時(shí)間序列數(shù)據(jù)，挖掘蘊(yùn)含的可用信息，對(duì)辨識(shí)事物發(fā)展趨勢(shì)、刻畫事物間的相關(guān)特性以及對(duì)事物變化的決策與把控等有重要的實(shí)際意義。目前，基于數(shù)據(jù)驅(qū)動(dòng)建模的時(shí)間序列預(yù)測(cè)方法可分為全局模型和局部模型。由現(xiàn)實(shí)世界得到的時(shí)間序列數(shù)據(jù)往往具有

2、強(qiáng)非線性和不確定性等特點(diǎn)，這就使得傳統(tǒng)的預(yù)測(cè)模型難以有效建模，從而限制了模型的預(yù)測(cè)精度。基于全部歷史數(shù)據(jù)建模的全局模型雖然方法簡(jiǎn)單，但是對(duì)于序列中的異常值有較高的敏感性。針對(duì)上述問題，本文提出了一種基于云模型相似性度量的局部建模方法，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)（BPNN）和最小二乘支持向量機(jī)（LS-SVM）建立預(yù)測(cè)模型，可有效提高序列的預(yù)測(cè)精度。
　　本研究主要內(nèi)容包括：⑴分析了幾種常見時(shí)間序列相似性度量方法的優(yōu)勢(shì)和不足，并對(duì)兩種不同類型

3、的時(shí)間序列預(yù)測(cè)方法進(jìn)行了對(duì)比；⑵針對(duì)原始時(shí)間序列數(shù)據(jù)具有非線性、復(fù)雜性以及不確定性等問題，采用云模型理論對(duì)原始序列以及一階差分處理后的序列同時(shí)進(jìn)行時(shí)間序列表示；⑶針對(duì)傳統(tǒng)距離函數(shù)難以有效度量包含不確定性因素的數(shù)據(jù)，提出了基于云模型相似性度量的局部建模方法，并采用BPNN和LS-SVM建立預(yù)測(cè)模型進(jìn)行建模和預(yù)測(cè)；⑷針對(duì)單任務(wù)學(xué)習(xí)方法在處理時(shí)間序列中存在的信息挖掘不充分、預(yù)測(cè)精度低等問題，在提出的局部建模方法的框架下，將多任務(wù)學(xué)習(xí)用于時(shí)間序