數(shù)據(jù)預(yù)處理在預(yù)測(cè)模型中的應(yīng)用.pdf

1、本文提出了兩種建模思路，一是考慮趨勢(shì)項(xiàng)和周期項(xiàng)的單維時(shí)間序列預(yù)測(cè)分析，二是對(duì)對(duì)數(shù)據(jù)經(jīng)過(guò)粗糙集方法做屬性約簡(jiǎn)的多維時(shí)間序列預(yù)測(cè)分析；在對(duì)數(shù)據(jù)系統(tǒng)結(jié)構(gòu)分析的基礎(chǔ)上不僅提高了預(yù)測(cè)精度也減少了運(yùn)算的時(shí)間和空間代價(jià)。
　　 對(duì)于具有周期性但噪聲較大的單維時(shí)間序列，如果考慮到其趨勢(shì)成分和周期(季節(jié))成分，對(duì)原始數(shù)據(jù)在使用預(yù)測(cè)模型前先做適當(dāng)?shù)念A(yù)處理，濾波了趨勢(shì)成分和周期波動(dòng)，再對(duì)輸出的相對(duì)平穩(wěn)序列進(jìn)行預(yù)測(cè)，精度會(huì)比直接使用原始數(shù)據(jù)有顯著的提高

2、。支持向量機(jī)方法用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替了傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，其基本思想是首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間，甚至是一個(gè)無(wú)限維空間，然后在這個(gè)高維空間求取最優(yōu)分類(lèi)面。本文將考慮趨勢(shì)項(xiàng)和周期項(xiàng)與ε-不敏感損失函數(shù)支持向量機(jī)方法相結(jié)合，取得了令人滿(mǎn)意的結(jié)果。
　　 對(duì)于多因素時(shí)間序列的預(yù)測(cè)，通常很難確定各因素對(duì)目標(biāo)序列的影響；如果考慮因素過(guò)多則容易包含大量冗余信息，不僅影響模型精度而且增加運(yùn)算的時(shí)間和空間代價(jià)；反之

3、則造成信息丟失，改變系統(tǒng)數(shù)據(jù)原有的結(jié)構(gòu)，同樣影響模型的精度。粗糙集理論是處理不精確、不確定與不完全數(shù)據(jù)的理論，能有效地分析不精確、不一致、不完整等各種不完備信息，但是粗糙集對(duì)噪聲數(shù)據(jù)敏感且泛化能力弱，神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的適應(yīng)能力，容錯(cuò)能力及泛化能力，可以彌補(bǔ)粗糙集的不足；再用粒子群算法優(yōu)化BP網(wǎng)絡(luò)的參數(shù)；在大量數(shù)據(jù)面前BP和GMDH方法不能很好的確定相對(duì)重要的屬性組合，網(wǎng)絡(luò)結(jié)構(gòu)的構(gòu)造缺乏通用的方法，推理過(guò)程不夠透明，且缺乏解釋能力，這