【摘要】：多變量時間序列數(shù)據(jù)廣泛存在于空氣質(zhì)量預(yù)測、股票走勢分析、機械結(jié)構(gòu)可靠性評估等各種實際工程中。通過同時對多個影響因素構(gòu)建預(yù)測模型,多變量時間序列預(yù)測可有效提高單一變量時間序列的預(yù)測效果。然而,傳統(tǒng)的多變量時間序列預(yù)測方法常忽略變量間的結(jié)構(gòu)化信息,從而限制其預(yù)測精度和數(shù)值穩(wěn)定性的提高。時間序列結(jié)構(gòu)化預(yù)測的關(guān)鍵在于尋找序列間結(jié)構(gòu)化信息,鑒于此,本文針對空氣質(zhì)量預(yù)測和軸承衰退趨勢預(yù)測的實際問題,從數(shù)據(jù)分布特點出發(fā),分別采用單步預(yù)測和遞歸預(yù)測兩種方案,同時引入時間序列聚類算法,充分挖掘變量序列之間的相似度信息,構(gòu)建兩類多變量時間序列結(jié)構(gòu)化預(yù)測方法。主要工作和貢獻如下:(1)針對空氣質(zhì)量預(yù)測應(yīng)用中多變量時間序列預(yù)測方法未考慮序列之間相似性關(guān)系、從而影響預(yù)測效果的問題,提出一種基于異常序列剔除的多變量時間序列預(yù)測算法。該算法利用多維支持向量回歸機(Multi-dimensional Support Vector Regression,MSVR)內(nèi)在的結(jié)構(gòu)化輸出特性,選取具有相似性的多個變量序列進行聯(lián)合預(yù)測。首先,對已知序列進行基于模糊熵的層次聚類,實現(xiàn)對相似序列的初步劃分;其次,求出類中所有序列的主曲線,根據(jù)序列到主曲線的距離計算各個序列的異常因子,從而進一步剔除聚類結(jié)果中的異常序列;最后,將選取到的相似變量序列作為輸入,利用MSVR進行預(yù)測。通過理論分析,證明本文算法在理論上存在模型可靠度下界和信息損失上界,進而說明本文算法的合理性與可行性。將該算法應(yīng)用于實際的空氣質(zhì)量預(yù)測問題,在2002年到2006年澳門氣象數(shù)據(jù)上進行對比實驗,結(jié)果表明,與現(xiàn)有多個代表性方法相比,本文算法可有效挖掘多變量時間序列的內(nèi)在結(jié)構(gòu)信息,預(yù)測精度更高,數(shù)值穩(wěn)定性更好。(2)在利用時間序列預(yù)測方法預(yù)測軸承衰退趨勢時,由于目標軸承故障走勢無法提前獲取,而采用遞歸預(yù)測方法需將上一步的預(yù)測輸出值作為下一步的模型輸入,因此極易造成誤差快速累積增大。針對該問題,本文提出一種基于PSW度量的多變量序列結(jié)構(gòu)化遞歸預(yù)測方法。該方法通過離線提取具有相似性的軸承故障序列數(shù)據(jù),作為包含領(lǐng)域信息的元數(shù)據(jù),構(gòu)建遞歸預(yù)測模型,實現(xiàn)對目標軸承衰退趨勢的在線預(yù)測。首先,在離線階段,引入相空間曲變(phase space warping,PSW),將故障數(shù)據(jù)轉(zhuǎn)化為一系列的跟蹤矩陣,對其計算動態(tài)時間規(guī)整(Dynamic time wraping,DTW)距離度量,進行時間序列層次聚類,得到軸承衰退趨勢的相似性劃分;其次,構(gòu)建每一類軸承故障序列的主曲線,提取得到該類序列的元數(shù)據(jù);最后,在在線階段,引入每類序列的元數(shù)據(jù)作為衰退趨勢的先驗知識,采用最小二乘支持向量機構(gòu)建預(yù)測模型,實現(xiàn)對目標軸承故障衰退趨勢的遞歸預(yù)測。將該方法應(yīng)用于軸承剩余壽命預(yù)測問題,在PHM 2012軸承數(shù)據(jù)上進行仿真實驗,結(jié)果表明,所提方法通過利用軸承數(shù)據(jù)間的內(nèi)在結(jié)構(gòu)信息,可有效降低對目標軸承衰退趨勢的遞歸預(yù)測誤差。本文的研究結(jié)果從結(jié)構(gòu)化信息表示和預(yù)測的角度,為多變量時序數(shù)據(jù)分析和處理提供了新的解決方案,具有顯著的理論與實際工程應(yīng)用價值。
【圖文】：

整體結(jié)構(gòu)圖

OE-MSVR算法流程圖
【學(xué)位授予單位】：河南師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：O211.61;TP301.6

【相似文獻】

相關(guān)期刊論文 前10條

1 吳大華;何振峰;;多變量時間序列模糊分割算法在高速公路行車數(shù)據(jù)中的應(yīng)用[J];福建電腦;2013年08期

2 國宏偉;劉燕馳;梁合蘭;武森;;多變量時間序列的模糊決策樹挖掘[J];計算機應(yīng)用研究;2009年01期

3 翁小清;沈鈞毅;;多變量時間序列例外模式的識別[J];模式識別與人工智能;2007年03期

4 翁小清;沈鈞毅;;多變量時間序列異常樣本的識別[J];模式識別與人工智能;2007年04期

5 張坤華;丁立新;萬潤澤;;基于相關(guān)性密度的多變量時間序列屬性選擇[J];計算機應(yīng)用與軟件;2017年12期

6 楊玉勝;劉駿;;基于SVM多變量時間序列回歸預(yù)測工程造價指數(shù)[J];湖南交通科技;2015年04期

7 曾鵬,王紹棣;多變量時間序列的主成分分析及估計[J];南京郵電學(xué)院學(xué)報;1996年04期

8 李權(quán);周興社;;一種新的多變量時間序列數(shù)據(jù)異常檢測方法[J];時間頻率學(xué)報;2011年02期

9 戴慧;闞建飛;李偉仁;周衛(wèi)東;;多變量時間序列滑動窗口異常點的檢測[J];南京信息工程大學(xué)學(xué)報(自然科學(xué)版);2014年06期

10 李素萍;姚洪興;;多變量時間序列分析及其應(yīng)用[J];科學(xué)技術(shù)與工程;2008年11期

相關(guān)會議論文 前3條

1 韓敏;李德才;;基于因果聚類的多變量時間序列相關(guān)性研究及預(yù)測[A];第二十六屆中國控制會議論文集[C];2007年

2 李素萍;;多變量時間序列(CAR)模型在鄭州冬季溫度預(yù)測中的應(yīng)用[A];中國氣象學(xué)會2006年年會“災(zāi)害性天氣系統(tǒng)的活動及其預(yù)報技術(shù)”分會場論文集[C];2006年

3 孔玲爽;陽春華;王雅琳;桂衛(wèi)華;;多變量時間序列的廣義相空間重構(gòu)方法[A];2009中國控制與決策會議論文集（3）[C];2009年

相關(guān)博士學(xué)位論文 前4條

1 周大鐲;多變量時間序列的聚類、相似查詢與異常檢測[D];天津大學(xué);2009年

2 肖永良;基于內(nèi)容的視頻檢索關(guān)鍵技術(shù)研究[D];中南大學(xué);2010年

3 任海軍;基于智能計算的配電網(wǎng)負荷預(yù)測方法研究[D];重慶大學(xué);2010年

4 潘龍;巖土工程不確定性系統(tǒng)研究及其工程應(yīng)用[D];合肥工業(yè)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 蔣夢雪;多變量時間序列結(jié)構(gòu)化預(yù)測方法及應(yīng)用研究[D];河南師范大學(xué);2018年

2 楊丹丹;基于格蘭杰因果關(guān)系的多變量時間序列分類[D];中國科學(xué)技術(shù)大學(xué);2018年

3 齊鵬鶴;實時多變量時間序列統(tǒng)計分析方法[D];哈爾濱工業(yè)大學(xué);2014年

4 董紅玉;多變量時間序列的降維、模式匹配與異常檢測[D];福州大學(xué);2014年

5 韋慶鋒;多變量時間序列分類中的降維和相似性度量研究[D];武漢大學(xué);2017年

6 馬銳;多變量相空間重構(gòu)及其在故障診斷中的應(yīng)用[D];大慶石油學(xué)院;2008年

7 卓飛豹;多變量時間序列的預(yù)處理和聚類研究[D];福建師范大學(xué);2009年

8 李素萍;證券價格的幾種預(yù)測方法及實證研究[D];江蘇大學(xué);2008年

9 王娜娜;兩相流多變量非線性特性分析方法研究[D];天津大學(xué);2016年

10 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學(xué);2015年

，

本文編號：2697356