時(shí)間序列是指在不同的時(shí)間點(diǎn)上收集到的能夠反映某種現(xiàn)象或者事物等隨時(shí)間變化而產(chǎn)生波動(dòng)的數(shù)據(jù)的集合,普遍出現(xiàn)在社會(huì)科學(xué)、經(jīng)濟(jì)金融等眾多領(lǐng)域。分析時(shí)間序列一個(gè)關(guān)鍵的目標(biāo)是實(shí)現(xiàn)時(shí)間序列的預(yù)測(cè),即利用統(tǒng)計(jì)學(xué)方法和技術(shù),在觀測(cè)數(shù)據(jù)中找出時(shí)序數(shù)據(jù)的內(nèi)部演化規(guī)律,建模以估計(jì)預(yù)測(cè)變量的變化趨勢(shì)。對(duì)于時(shí)間序列的預(yù)測(cè)是利用已知數(shù)據(jù)來預(yù)測(cè)估計(jì)未來的變化趨勢(shì),從而使決策者擁有高瞻遠(yuǎn)矚的能力,由此做出極為有利的決策,因此其存在至關(guān)重要的意義。由此,本文對(duì)時(shí)間序列的單點(diǎn)預(yù)測(cè)和長期預(yù)測(cè)進(jìn)行了分析與研究。在本文的第一組實(shí)驗(yàn)中提出了一種新型的自演化區(qū)間二型LSTM模糊神經(jīng)網(wǎng)絡(luò)（eIT2FNN-LSTM）。該模型通過將具有長短時(shí)記憶機(jī)制（LSTM）的循環(huán)神經(jīng)網(wǎng)絡(luò)引入到二型模糊神經(jīng)推理系統(tǒng)之中,以實(shí)現(xiàn)時(shí)間序列的單步預(yù)測(cè),并且我們?cè)诙囝悢?shù)據(jù)集上驗(yàn)證了所提網(wǎng)絡(luò)的有效性。本文在第二組實(shí)驗(yàn)中提出基于模糊信息粒和循環(huán)模糊神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型。該模型首先將原始數(shù)據(jù)集處理為基于模糊信息粒的時(shí)間序列,然后在我們前面提到的eIT2FNN-LSTM上進(jìn)行粒度水平的預(yù)測(cè)以實(shí)現(xiàn)對(duì)時(shí)間序列的長期預(yù)測(cè)。對(duì)于本文的貢獻(xiàn)以及創(chuàng)新點(diǎn)主要包括以下幾個(gè)方面... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

典型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(a) 區(qū)間信息粒 (b) 三角信息粒 (c) 梯形信息粒 (d) 高斯信息粒圖 2-3 常見隸屬度函數(shù)現(xiàn)有的構(gòu)造顆粒的方式普遍只關(guān)注樣本數(shù)值的變化幅度和變化區(qū)間，而忽略數(shù)據(jù)的變化趨勢(shì)。但是，實(shí)際上，趨勢(shì)信息常常是時(shí)間序列分析的一個(gè)重要的指標(biāo)。例如，將圖 2-4(a)中的序列 nXX,X,...,X12 分別按升序和降序進(jìn)行排列，得到序列如圖 2-4(b)和圖 2-4(c)所示。分別將這三組序列按照區(qū)間�；瘮�(shù)(圖2-4(d))，三角粒化函數(shù)(圖 2-4(e))和梯形�；瘮�(shù)(圖 2-4(f))構(gòu)造信息粒，對(duì)于每種方法，我們將得到三個(gè)相同的信息粒。但是容易看到，這三個(gè)序列的趨勢(shì)明顯不同。我們研究新型信息粒的一個(gè)關(guān)鍵的目的是，設(shè)計(jì)一種新的模糊信息�；绞�，使例如圖 2-4(a)、圖 2-4(b)和圖 2-4(c)的序列能夠有不同的顆粒表現(xiàn)。如果信息顆粒能夠反映基于時(shí)間的變化趨勢(shì)將會(huì)是非常有用的。例如對(duì)于金融市場(chǎng)，這將幫助投資者進(jìn)行下一波行情的判斷，而不是提供一個(gè)無法判斷真假的確切數(shù)值。

得到序列如圖 2-4(b)和圖 2-4(c)所示。分別將這三組序列按照區(qū)間�；瘮�(shù)(圖2-4(d))，三角�；瘮�(shù)(圖 2-4(e))和梯形�；瘮�(shù)(圖 2-4(f))構(gòu)造信息粒，對(duì)于每種方法，我們將得到三個(gè)相同的信息粒。但是容易看到，這三個(gè)序列的趨勢(shì)明顯不同。我們研究新型信息粒的一個(gè)關(guān)鍵的目的是，設(shè)計(jì)一種新的模糊信息�；绞剑估鐖D 2-4(a)、圖 2-4(b)和圖 2-4(c)的序列能夠有不同的顆粒表現(xiàn)。如果信息顆粒能夠反映基于時(shí)間的變化趨勢(shì)將會(huì)是非常有用的。例如對(duì)于金融市場(chǎng)，這將幫助投資者進(jìn)行下一波行情的判斷，而不是提供一個(gè)無法判斷真假的確切數(shù)值。(a)時(shí)間序列 (b)相同的時(shí)間序列按升序排列 (c)相同的時(shí)間序列按降序排列(d)區(qū)間隸屬度函數(shù) (e)三角隸屬度函數(shù) (f)梯形隸屬度函數(shù)圖 2-4 時(shí)間序列的示例及其三個(gè)不同的模糊信息粒2.3 LSTM 神經(jīng)網(wǎng)絡(luò)在 1997 年，Hochreiter & Schmidhuber 提出了 LSTM 模型[22]，其是一類特殊

【參考文獻(xiàn)】：
期刊論文
[1]基于大數(shù)據(jù)的時(shí)間序列預(yù)測(cè)研究與應(yīng)用[J]. 程艷云,張守超,楊楊.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(06)
[2]日氣溫多元時(shí)間序列局部支持向量回歸預(yù)測(cè)[J]. 王定成,曹智麗,陳北京,倪郁佳.  系統(tǒng)仿真學(xué)報(bào). 2016(03)
[3]基于模糊信息�；洔y(cè)量建模方法研究[J]. 王強(qiáng),田學(xué)民.  北京理工大學(xué)學(xué)報(bào). 2012(09)
[4]時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測(cè)中的分析[J]. 劉海玥,白艷萍.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2011(04)
[5]我國CPI時(shí)間序列預(yù)測(cè)模型的比較及實(shí)證檢驗(yàn)[J]. 謝佳利,楊善朝,梁鑫.  統(tǒng)計(jì)與決策. 2008(09)

碩士論文
[1]模糊神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D]. 鞠初旭.電子科技大學(xué) 2012



本文編號(hào)：2985542