混合預(yù)測(cè)模型研究.pdf

1、作為一門(mén)迅速發(fā)展著的學(xué)科，預(yù)警系統(tǒng)建模提供了由有限維數(shù)的觀測(cè)數(shù)據(jù)構(gòu)成的信息系統(tǒng)探究高維背景系統(tǒng)的動(dòng)力特征的理論方法。在預(yù)警系統(tǒng)方面，趨勢(shì)預(yù)測(cè)模型是一種比較新穎、實(shí)用的思路，它從信息系統(tǒng)中抽取出決定系統(tǒng)的行為發(fā)展趨勢(shì)的數(shù)據(jù)，構(gòu)成一個(gè)時(shí)間序列數(shù)據(jù)庫(kù)，然后應(yīng)用特定領(lǐng)域較為有效的預(yù)測(cè)技術(shù)來(lái)對(duì)系統(tǒng)建模，從而對(duì)系統(tǒng)行為發(fā)展趨勢(shì)作出預(yù)測(cè)，達(dá)到監(jiān)控、預(yù)警等目的。
　　 有效的預(yù)測(cè)技術(shù)是提高預(yù)警系統(tǒng)性能的關(guān)鍵，本文第三章對(duì)常用的幾種預(yù)測(cè)模型進(jìn)行分

2、析；一般地，預(yù)測(cè)模型都存在參數(shù)選取的問(wèn)題，這些參數(shù)取值直接影響著預(yù)測(cè)模型的優(yōu)劣，本文第四章提出了幾種較為流行的群智能算法，這些方法可以來(lái)優(yōu)化預(yù)測(cè)模型中的參數(shù)取值，從而提高了模型的預(yù)測(cè)精度。同時(shí)群智能算法與預(yù)測(cè)模型參數(shù)取值問(wèn)題的結(jié)合也是優(yōu)化模型結(jié)構(gòu)的切入點(diǎn)。
　　 為了進(jìn)一步提高預(yù)測(cè)模型的準(zhǔn)確性，文中提出混合建模方法，混合建模的關(guān)鍵在于找到混合建模的切入點(diǎn)和結(jié)構(gòu)。因?yàn)橹С窒蛄炕貧w(SVR)有很強(qiáng)的非線性建模能力，ARIMA有很強(qiáng)的

3、線性建模能力，所以我們對(duì)上述兩種模型結(jié)合形成文中的混合模型。
　　 在本文中，我們先對(duì)預(yù)警系統(tǒng)做了簡(jiǎn)單介紹，然后將重點(diǎn)放到它的核心模塊-預(yù)測(cè)算法研究。針對(duì)預(yù)測(cè)算法提出了多種不同的數(shù)學(xué)模型，并且探討了不同數(shù)學(xué)模型的差異性；考慮到各模型都有自身的優(yōu)缺點(diǎn)，我們提出使用混合模型來(lái)提高預(yù)測(cè)準(zhǔn)確度的想法；由于先用線性模型建模會(huì)影響系統(tǒng)的非線性特征，反之亦然，那么尋找混合模型切入點(diǎn)問(wèn)題成為了研究要點(diǎn)二受到SVR模型的ε一不敏感性特征和系統(tǒng)一般