【摘要】：數(shù)據(jù)預(yù)測與分類是數(shù)據(jù)挖掘領(lǐng)域非常重要的研究課題,長期以來受到了廣泛的關(guān)注。數(shù)據(jù)預(yù)測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)格市場分析、金融市場價(jià)格預(yù)測和風(fēng)險(xiǎn)控制、生物信息識別、商務(wù)智能客戶行為分析等眾多領(lǐng)域。近年來,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)的快速收集得以實(shí)現(xiàn),以數(shù)據(jù)預(yù)測與分類為代表的數(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)體量等不同層面來看,數(shù)據(jù)對象正變的越來越多樣化、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)方面對數(shù)據(jù)預(yù)測與分類研究提出了更高要求。本文在對國內(nèi)外數(shù)據(jù)預(yù)測與分類有關(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、頻域特征復(fù)雜性、多源信息識別與匹配三個(gè)方面出發(fā),緊密圍繞數(shù)據(jù)預(yù)測與分類的關(guān)鍵問題,以電力系統(tǒng)負(fù)荷數(shù)據(jù)、電力市場價(jià)格數(shù)據(jù)為主要研究對象和案例,對復(fù)雜數(shù)據(jù)預(yù)測與分類問題展開研究。本文的主要研究內(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度的半?yún)?shù)回歸概率密度預(yù)測框架,系統(tǒng)性分析了傳統(tǒng)數(shù)據(jù)預(yù)測方法的適用范圍及存在的問題。在此基礎(chǔ)上,針對研究對象的多源相關(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)間估計(jì)進(jìn)行分析。其次,針對所選擇的多影響因素指標(biāo)與研究對象之間作用機(jī)制難以確定的問題,結(jié)合相似性測度、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)變量提取與識別策略。通過實(shí)驗(yàn)驗(yàn)證所提出預(yù)測框架的有效性,進(jìn)而為深入研究不同指標(biāo)變量與對象數(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)測框架,針對數(shù)據(jù)的周期性、多維多粒度波動特性,受到可加建模思想的啟發(fā),提出了基于分段可加的半?yún)?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)測的可行性和合理性,基于Bootstrap重采樣技術(shù)對氣象數(shù)據(jù)的未來趨勢進(jìn)行了有效模擬。該數(shù)據(jù)預(yù)測框架引入了可加建模思想對數(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)測方法,同時(shí)提高了數(shù)據(jù)預(yù)測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)測框架,針對數(shù)據(jù)的周期性、多頻域特征混疊特性,基于EEMD頻域分解方法對原始序列進(jìn)行多尺度分析,結(jié)合頻域特征選擇與識別方法確定原始序列的特征信號和隨機(jī)信號,并對不同頻域信號進(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Σ煌卣鞒煞趾挖厔莩煞址謩e建模并集成預(yù)測。該數(shù)據(jù)預(yù)測框架引入了頻域分析方法對數(shù)據(jù)作降維度處理,通過合理的篩選特征信號和趨勢信號并進(jìn)行概率分布建模,為有效分析具有復(fù)雜趨勢融合特征的非平穩(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,針對連續(xù)型數(shù)值預(yù)測方法用于非平穩(wěn)、極端波動趨勢分析時(shí)容易失效的問題,基于數(shù)據(jù)分類的思想將傳統(tǒng)的數(shù)據(jù)類別看作是描述對象數(shù)據(jù)變化的“概率空間”,并增加對象數(shù)據(jù)的所屬類別及類別范圍從而將區(qū)間預(yù)測轉(zhuǎn)化為模式分類問題。通過融合Filter和rapper兩種不同特征選擇思路對SVM進(jìn)行改進(jìn),給出了基于多分類的SVM-RFE-MRMR分類方法,并結(jié)合PCA-DP時(shí)間序列分割等方法,從模式判別的角度給出了一種復(fù)雜數(shù)據(jù)預(yù)測新框架,進(jìn)而為高維數(shù)據(jù)波動規(guī)律分析、非平穩(wěn)高頻波動數(shù)據(jù)預(yù)測等問題的研究提供了新思路。
【圖文】：

圖１．１數(shù)據(jù)挖掘基本流程圖邐１逡逑圖１．２論文組織結(jié)構(gòu)圖邐１２逡逑圖２．邋１基于成分模型分解的建模流程邐１５逡逑圖２．邋２基于頻域分析的分解建模流程邐２０逡逑圖３．邋１基于相似性度量的變量關(guān)聯(lián)性分析方法流程圖

圖３．６不同情景下基于模擬變量的中國月度電力需求的長期預(yù)測（２０１３－２０２０）逡逑Ｆｉｇ邋３．６邋Ｔｈｅ邋ｌｏｎｇ邋化ｒｍ邋ｆｂｉ＊ｅｃａｓｔ邋（２０１３－２０２０）邋ｏｆ邋ｍｏｎｔｈｌｙ邋ｅｌｅｃｔｒｉｃｉｔｙ邋ｄｅｍａｎｄ邋ｉｎ邋Ｃｈｉｎａ邋ｕｓｉｎｇ邋ｓｉｍｕｌａｔｅｄ逡逑ｖａｒｉａｂｌｅｓ邋ｕｎｄｅｒ邋ｄｉｆｆｅｒｅｎｔ邋ｓｃｅｎａｒｉｏｓ逡逑為了檢驗(yàn)?zāi)Ｐ偷男Ч�，我們選用２０１３年全年的月度電量需求數(shù)據(jù)作為基準(zhǔn)對逡逑不同模型的預(yù)測效果進(jìn)行對比。所選用的模型包括：多元半?yún)?shù)回歸模型、ＳＶＭ逡逑和ＢＰ神經(jīng)網(wǎng)絡(luò)。對于ＳＶＭ，，我們基于５倍交叉驗(yàn)證法進(jìn)行懲罰參數(shù)Ｃ和核參數(shù)ａ逡逑５８逡逑
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：F224;F416.61


本文編號：2576206