【摘要】：由于時間序列預測能夠為人們提供良好的決策支持,使其在眾多領域得到廣泛應用。為了能夠?qū)?shù)據(jù)不完整和含糊的情況進行預測,模糊時間序列被提出。隨著數(shù)據(jù)時代的到來,時間序列和模糊時間序列模型受到了越來越多的關注。本文在對模糊時間序列和時間序列預測模型的研究基礎之上,得到了一些新的結(jié)果和研究方法,主要包括如下幾個方面的工作：1.隨著信息化的深入發(fā)展,過分強調(diào)精確性而可解釋性較差的預測模型已經(jīng)不能完全滿足時間序列預測的實際應用需求。這就迫切需要提出具有高準確率的同時還具有可解釋性的時間序列預測模型。針對上述問題,提出基于自動聚類和公理模糊集的模糊時間序列預測模型。該模型利用自動聚類算法根據(jù)樣本的分布情況產(chǎn)生不同長度的劃分區(qū)間,克服了靜態(tài)區(qū)間長度的缺點。并利用AFS分類器產(chǎn)生模糊趨勢的語義解釋,使得預測模型更容易被人理解。在預測的過程中能夠得到模糊趨勢,這為決策者提供了可靠的依據(jù)。然后,將模糊時間序列和經(jīng)典時間序列分析結(jié)合,提出一個基于趨勢預測和自回歸模型的模糊時間序列預測模型。該模型能夠挖掘時間序列中顯著的變化趨勢,并利用AR(2)模型確定預測數(shù)據(jù)的波動量,從而得到最終的預測值。將提出的兩個模糊時間序列預測模型分別應用到現(xiàn)實中的時間序列上,并將實驗結(jié)果與其他同類預測模型進行比較,得到了較好的預測結(jié)果。2.分別結(jié)合模糊數(shù)據(jù)挖掘和模糊聚類提出兩個單步時間序列預測模型。在第一個模型中,根據(jù)越新發(fā)生與現(xiàn)在的關系越密切的原則,利用仿射傳播算法對子序列進行聚類,從而確定最后的子序列所屬的類別,即找到與預測樣本關系最密切的子序列類。在此基礎上,利用模糊數(shù)據(jù)挖掘技術產(chǎn)生語義規(guī)則,并將得到的規(guī)則用于預測,這使得預測過程更透明更容易被人們理解。在第二個模型中,結(jié)合模糊聚類提出一個新的時間序列預測模型。首先,為了克服傳統(tǒng)聚類算法對數(shù)據(jù)維度的限制,同時能更準確地度量時間序列之間的相似性,提出基于動態(tài)彎曲的模糊C-均值聚類算法。然后,利用此算法對構(gòu)造的時間序列數(shù)據(jù)進行聚類,并根據(jù)聚類結(jié)果實施預測。所提出的兩個單步時間序列預測模型都被應用到臺灣股指時間序列上,實驗結(jié)果表明了模型的有效性,并得到比同類模型更好的預測結(jié)果。3.隨著人們研究的深入,多步預測比單步預測有著更重要的理論和實用價值。基于信息粒和模糊聚類提出一個多步(長期)時間序列預測模型。信息�；瘜r間序列分割(抽象)成若干有意義可操控的信息粒,這使得時間序列以更容易理解的方式呈現(xiàn)。因此,利用信息�；瘶�(gòu)造時間序列預測模型,使得預測模型具有可解釋性。由于預測模型是多步預測,一次可以預測出多個預測值,不需要反復迭代,大大減少了計算時間。以人工合成時間序列為例展示了預測模型的應用過程,以此驗證了模型的可行性。將該模型應用到多組真實的時間序列上,實驗結(jié)果顯示出了該模型的優(yōu)越性。
[Abstract]:Because the time series prediction can provide good decision support for people, it has been widely used in many fields. In order to be able to predict incomplete and ambiguous data, a fuzzy time series is proposed. With the advent of data age, time series and fuzzy time series model have been paid more and more attention. Based on the research of fuzzy time series and time series prediction model, some new results and research methods are obtained, including the following aspects: 1. With the in-depth development of information, too much emphasis is placed on the accuracy and the poor prediction model can not completely meet the actual application needs of time series prediction. There is an urgent need to propose a temporal sequence prediction model with high accuracy and an interpretable temporal sequence. In view of the above problems, a fuzzy time series prediction model based on automatic clustering and axiomatic fuzzy sets is proposed. The model utilizes the automatic clustering algorithm to generate different length division intervals according to the distribution of the samples, and overcomes the defect of the length of the static interval. The semantic interpretation of fuzzy tendency is generated by AFS classifier, which makes the prediction model easier to understand. Fuzzy trends can be obtained in the prediction process, which provides a reliable basis for decision makers. Then, combining fuzzy time series and classical time series analysis, a fuzzy time series prediction model based on trend prediction and autoregressive model is proposed. The model can dig a significant change trend in the time series, and use the AR (2) model to determine the fluctuation of the prediction data, so as to obtain the final forecast value. The two fuzzy time series prediction models are respectively applied to the real time series, and the experimental results are compared with other similar prediction models, and a better prediction result is obtained. Two single-step time series prediction models are proposed in combination with fuzzy data mining and fuzzy clustering. In the first model, according to the principle of closer relationship between the new occurrence and the present relationship, the sub-sequence of the last sub-sequence is determined by using the affine propagation algorithm so as to determine the category to which the last sub-sequence belongs, i.e. to find the sub-sequence class closest to the predicted sample relation. On this basis, the fuzzy data mining technology is used to generate semantic rules, and the obtained rules are used for prediction, which makes the prediction process more transparent and easier to understand. In the second model, a new time series prediction model is proposed in combination with fuzzy clustering. Firstly, in order to overcome the limitation of the traditional clustering algorithm on the data dimension, the similarity between the time series can be more accurately measured, and a dynamic bending-based fuzzy C-means clustering algorithm is proposed. Then, the time series data constructed by this algorithm is used to gather the data, and the prediction is carried out according to the result of the poly. Both single-step time series prediction models are applied to the Taiwan stock index time series. The experimental results show the validity of the model and get better prediction results than those of the same model. With the in-depth study, multi-step prediction has more important theoretical and practical value than single-step prediction. A multi-step (long-term) time series prediction model is proposed based on information particle and fuzzy clustering. Information Granularization divides the time sequence (abstracted) into a number of meaningful controllable information particles, which render the time series presented in a more understandable way. Therefore, using the information grain structure time series prediction model, the prediction model has interpretability. Because the prediction model is multi-step prediction, a plurality of prediction values can be predicted at one time, repeated iterations are not needed, and the calculation time is greatly reduced. In this paper, the application process of the prediction model is presented in a synthetic time series as an example, and the feasibility of the model is verified. The model is applied to several sets of real time series, and the experimental results show the superiority of the model.
【學位授予單位】：大連理工大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：O211.61

【相似文獻】

相關期刊論文 前10條

1 吳鵬;劉振;陳月輝;;基于神經(jīng)樹的時間序列預測[J];山東科學;2007年01期

2 沈浩;鄧夢曦;;預則立——時間序列預測技術之廣電業(yè)務應用[J];中國數(shù)字電視;2011年10期

3 許繼平;劉載文;那靖;;司法消噪與多技術融合的時間序列預測[J];計算機工程與應用;2010年24期

4 王剛,胡德文;基于時間序列預測的獨立分量排序[J];國防科技大學學報;2005年05期

5 楊久婷;張海望;;基于小波分解與自回歸樹的時間序列預測新方法[J];科技信息;2009年31期

6 張弦;王宏力;;具有選擇與遺忘機制的極端學習機在時間序列預測中的應用[J];物理學報;2011年08期

7 邢蕾;;基于小波分析時間序列預測技術進展[J];吉林金融研究;2009年04期

8 肖凡;馬捷中;任嵐昆;;基于小波分析與支持向量機的時間序列預測[J];航空計算技術;2011年06期

9 楊玫;趙秀麗;劉瑜;;時間序列預測問題中小波分解的應用研究[J];信息技術與信息化;2011年02期

10 丁紅;武招云;龔若愚;廖文凱;;小波分析在徑流時間序列預測的應用[J];柳州師專學報;2012年03期

相關會議論文 前4條

1 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達式編程和時變強度的時間序列預測[A];第二十二屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2005年

2 王亮;鐘登華;葛曉冬;;預測方法綜述[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

3 尤華;王建東;;機場噪聲的時間序列預測[A];2011年通信與信息技術新進展——第八屆中國通信學會學術年會論文集[C];2011年

4 王棟;陳勇;徐建良;;基于預測的BitTorrent種子評估方法[A];2008'中國信息技術與應用學術論壇論文集（二）[C];2008年

相關博士學位論文 前5條

1 王威娜;基于模糊理論的時間序列預測研究[D];大連理工大學;2016年

2 張冬青;非線性非高斯時間序列預測研究[D];南京航空航天大學;2008年

3 劉大同;基于Online SVR的在線時間序列預測方法及其應用研究[D];哈爾濱工業(yè)大學;2010年

4 熊濤;基于EMD的時間序列預測混合建模技術及其應用研究[D];華中科技大學;2014年

5 王軍;基于局部模型的時間序列預測方法研究[D];哈爾濱工業(yè)大學;2007年

相關碩士學位論文 前10條

1 陳詩語;基于網(wǎng)絡的時間序列預測[D];西南大學;2015年

2 黃杰;SOM在時間序列預測中的應用研究[D];蘭州交通大學;2015年

3 胡海峰;泄漏積分型回聲狀態(tài)網(wǎng)的優(yōu)化及其在時間序列預測中的應用[D];渤海大學;2016年

4 侯效永;多尺度時間序列預測[D];蘇州大學;2013年

5 王麗賢;時間序列預測技術研究[D];天津理工大學;2012年

6 王權;基于選擇策略的時間序列預測研究[D];南京航空航天大學;2011年

7 宋玉強;人工神經(jīng)網(wǎng)絡在時間序列預測中的應用研究[D];西安建筑科技大學;2005年

8 張慧;自適應模糊時間序列預測模型的研究[D];大連海事大學;2012年

9 王欣冉;基于小波包與最小二乘支持向量機的時間序列預測研究[D];中國地質(zhì)大學（北京）;2011年

10 戴群;改進型前向神經(jīng)網(wǎng)絡的時間序列預測及其性能比較[D];南京航空航天大學;2003年

，

本文編號：2296418