【摘要】：對于具有不確定性或模糊性的時間序列,傳統(tǒng)的預(yù)測方法的適應(yīng)性較差,很多學(xué)者將研究重心轉(zhuǎn)移到模糊時間序列預(yù)測問題上來。目前,模糊時間序列已被應(yīng)用于游客數(shù)量預(yù)測、溫度預(yù)測、股市預(yù)測、網(wǎng)絡(luò)用戶數(shù)量預(yù)測等諸多領(lǐng)域。為了提高模型的預(yù)測精度,針對1993年Song和Chrisom[1-3]提出的四步預(yù)測框架中的論域劃分和模糊規(guī)則兩個步驟進(jìn)行優(yōu)化。區(qū)間劃分是模糊時間序列模型建立的基石,早期的研究中采用的大都是等間隔論域劃分,但等間隔平分論域的方法存在預(yù)測精度低,具有較強(qiáng)刻意性等缺陷,所以后來許多學(xué)者提出非等間隔劃分論域并取得了較高的預(yù)測精度。隨著許多先進(jìn)的智能優(yōu)化算法(遺傳算法、蟻群算法、粒子群優(yōu)化算法)被應(yīng)用到預(yù)測模型中,有效地將優(yōu)化算法融入預(yù)測框架中對預(yù)測模型進(jìn)行改進(jìn)也成為研究熱點(diǎn)。本文將采用變參數(shù)的粒子群算法對論域合理劃分。運(yùn)用粒子群優(yōu)化算法得到分割點(diǎn)作為論域劃分的端點(diǎn),在此基礎(chǔ)上定義模糊集,模糊化時間序列并建立模糊規(guī)則。接著,運(yùn)用特征展開法算得預(yù)測小前提關(guān)于推理規(guī)則的特征系數(shù),對模糊規(guī)則進(jìn)行約簡,優(yōu)化了模糊規(guī)則；最后,通過去模糊化得到預(yù)測結(jié)果。通過參數(shù)調(diào)整,本文將帶有收縮因子的粒子群優(yōu)化算法與特征展開法相結(jié)合運(yùn)用于Alabama大學(xué)1971年到1992年間入學(xué)注冊人數(shù)和亞馬遜2013年上半年的股票收盤價的預(yù)測研究,因而,驗(yàn)證了本文所提算法的有效性。
[Abstract]:For uncertain or fuzzy time series, the traditional prediction methods have poor adaptability, many scholars will focus on the fuzzy time series prediction problem. At present, fuzzy time series have been applied in many fields, such as tourist number prediction, temperature prediction, stock market prediction, network user number prediction and so on. In order to improve the prediction accuracy of the model, the domain partition and fuzzy rules in the four-step prediction framework proposed by Song and Chrisom [1-3] in 1993 are optimized. Interval partitioning is the cornerstone of the establishment of fuzzy time series model. In the early research, the equal-interval domain partition is mostly used, but the method of equal-interval bisection has some defects, such as low prediction precision and strong intention. Therefore, many scholars later put forward the nonequidistant partition domain and obtained high prediction accuracy. With the application of many advanced intelligent optimization algorithms (genetic algorithm, ant colony algorithm, particle swarm optimization algorithm) to the prediction model, it has become a research focus to effectively integrate the optimization algorithm into the prediction framework to improve the prediction model. In this paper, the variable parameter particle swarm optimization (PSO) algorithm is used to divide the domain reasonably. Particle swarm optimization (PSO) algorithm is used to obtain segmentation points as the endpoints of domain division. On this basis, fuzzy sets are defined, time series are fuzzied and fuzzy rules are established. Then, the feature coefficients of the inference rules are calculated by using the feature expansion method, the fuzzy rules are reduced and the fuzzy rules are optimized. Finally, the prediction results are obtained by defuzzification. By adjusting the parameters, the particle swarm optimization algorithm with shrinkage factor and the feature expansion method are combined in this paper to predict the enrollment from 1971 to 1992 of Alabama University and the closing price of Amazon stock in the first half of 2013. The validity of the proposed algorithm is verified.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：O159;O211.61

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊貴軍;;時間序列模型描述個體經(jīng)濟(jì)發(fā)展趨勢的局限性及改進(jìn)方法[J];現(xiàn)代財(cái)經(jīng)(天津財(cái)經(jīng)大學(xué)學(xué)報(bào));2006年07期

2 郭順生;王磊;黃琨;;基于時間序列模型預(yù)測汽車銷量研究[J];機(jī)械工程師;2013年05期

3 李寶慧;用時間序列模型對社會消費(fèi)品指數(shù)的規(guī)律進(jìn)行研究和預(yù)測[J];統(tǒng)計(jì)研究;2000年01期

4 葉阿忠,李子奈;我國通貨膨脹的混合回歸和時間序列模型[J];系統(tǒng)工程理論與實(shí)踐;2000年09期

5 吳令云,趙遠(yuǎn)東;用時間序列模型分析突發(fā)事件對經(jīng)濟(jì)的影響[J];統(tǒng)計(jì)與決策;2004年04期

6 陳飛,高鐵梅;結(jié)構(gòu)時間序列模型在經(jīng)濟(jì)預(yù)測方面的應(yīng)用研究[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2005年02期

7 霍振宏;;基于時間序列模型下國民經(jīng)濟(jì)發(fā)展趨勢實(shí)證分析[J];中原工學(xué)院學(xué)報(bào);2007年04期

8 鄭煜;孟軍;;時間序列模型對黑龍江省水稻比較優(yōu)勢的預(yù)測[J];東北林業(yè)大學(xué)學(xué)報(bào);2008年10期

9 張新波;;時間序列模型在稅收預(yù)測中的應(yīng)用[J];湖南稅務(wù)高等�？茖W(xué)校學(xué)報(bào);2010年04期

10 劉領(lǐng)坡;;我國社會消費(fèi)品零售總額時間序列模型及預(yù)測[J];經(jīng)濟(jì)論壇;2011年06期

相關(guān)會議論文 前4條

1 汪宏晶;林曦晨;湯洪秀;尹平;;多元時間序列模型及其應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會會議論文集[C];2011年

2 史青;練曉華;;時間序列模型在地鐵結(jié)構(gòu)變形預(yù)測中的應(yīng)用[A];第十五屆華東六省一市測繪學(xué)會學(xué)術(shù)交流會論文集（江蘇上海論文分冊）[C];2012年

3 黃榮坦;;廈門港集裝箱吞吐量的時間序列模型[A];2002年中國管理科學(xué)學(xué)術(shù)會議論文集[C];2002年

4 趙慶江;遲凱;付芳萍;李潮潮;車文剛;;基于FCM的模糊時間序列模型及人民幣匯率預(yù)測[A];第二十九屆中國控制會議論文集[C];2010年

相關(guān)重要報(bào)紙文章 前2條

1 國海證券研究所;時間序列模型預(yù)測3月CPI為—1.26%[N];上海證券報(bào);2009年

2 羅佐縣;勘探投資須研究規(guī)律提高效率[N];中國石化報(bào);2008年

相關(guān)博士學(xué)位論文 前2條

1 趙彪;兩類時間序列模型的統(tǒng)計(jì)推斷[D];中國科學(xué)技術(shù)大學(xué);2015年

2 邱望仁;模糊時間序列模型及其在股指趨勢分析中的應(yīng)用研究[D];大連理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 段煉;基于時間序列模型的日內(nèi)交易策略在A股市場上的應(yīng)用[D];復(fù)旦大學(xué);2014年

2 李金玲;基于特征展開法的模糊時間序列模型的約減算法[D];大連海事大學(xué);2015年

3 王鵬飛;基于自相關(guān)函數(shù)的模糊時間序列模型的優(yōu)化算法[D];大連海事大學(xué);2015年

4 孫自珂;風(fēng)電并網(wǎng)對電力系統(tǒng)可靠性影響研究[D];山東大學(xué);2015年

5 李修成;城市范圍內(nèi)PM2.5時間預(yù)測研究[D];哈爾濱工業(yè)大學(xué);2015年

6 王倩;非線性時間序列模型研究及實(shí)證分析[D];電子科技大學(xué);2014年

7 劉洋;基于SVM修正的模糊時間序列模型在滬指預(yù)測中的應(yīng)用[D];南京大學(xué);2015年

8 尹小琴;基于支持向量機(jī)的混合時間序列模型的研究與應(yīng)用[D];沈陽工業(yè)大學(xué);2016年

9 馬云飛;多因素模糊時間序列預(yù)測模型的研究[D];大連海事大學(xué);2016年

10 劉丑娟;基于變參數(shù)粒子群的模糊時間序列模型的研究[D];大連海事大學(xué);2016年

，

本文編號：2411919