流是自然界普遍存在的一种现象。信息流与能量流均为流的具体表现形式。常见的信息流有网络流量、交通流量等,常见的能量流有太阳辐射、潮汐、太阳黑子等。网络流量预测可以保障网络的流畅度;太阳辐射与潮汐预测是光伏发电和水力发电的基础;太阳黑子预测是保障航天器及通讯设备安全的前提。因此,对信息流与能量流预测具有重要现实意义。高斯过程混合(GPM)模型是机器学习领域近年发展起来的一种智能模型,由多个高斯过程(GP)通过门限函数组合而成,能对数据流的多模态特性进行细致描述。本文采用高斯过程混合模型对信息流与能量流数据进行多模态预测,不仅可以准确分析两种数据流的特征,还可以为后续数据流的变化趋势提供参考。主要研究工作如下:(1)高斯过程混合模型在信息流(网络流量)多模态预测中的应用基于网络流量的多模态特性,本文将GPM模型用于网络流量预测。首先对两段不同地区的网络流量序列进行特性分析,然后通过归一化和相空间重构后生成样本集并输入GPM模型。最后使用硬分类迭代学习算法,利用后验概率最大化,借助迭代实现样本集的最优分组,再通过似然函数完成模型参数学习。将GPM模型与支持向量机(SVM),核回归(KR),最小最大概率机回归(MPMR)和高斯过程(GP)等模型比较。通过对比均方根误差(RMSE)与判定系数(R~2)评价指标,GPM模型的预测准确度要优于其它四种模型。说明GPM模型能够很好应用于网络流量预测,可以为网络管理者分配网络资源提供参考。(2)双核高斯过程混合模型在能量流(太阳辐射与潮汐发电数据)多模态预测中的应用由于GPM模型使用单个核函数时,预测准确度有时达不到最佳。因此本文采用多种核函数的GPM模型进行发电数据多模态预测。首先对两组发电数据进行特性分析。然后将平方指数(SE)、有理二次(RQ)与Matern三种核函数合并后形成新核函数并用于预测。对比七种不同核函数的GPM模型预测结果,发现采用SE与RQ组合后的双核函数的GPM模型最佳。然后在此核函数基础上,将GPM模型与传统学习模型比较,通过对比RMSE和R~2等指标,采用SE与RQ组合核函数的GPM模型优于所有传统模型。说明双核高斯过程混合模型能够很好应用于发电数据预测,可以为电网运行提供参考与研究。(3)稀疏高斯过程混合模型在能量流(太阳黑子)多模态预测中的应用为了进一步降低训练时间复杂度,本文将稀疏高斯过程混合(SGPM)模型用于太阳黑子的多模态预测。其核心是用少量伪输入样本代替原始样本,从而缩短矩阵逆运算时间,提高训练速度。对太阳黑子序列进行特性分析后,将SGPM模型与采用Loo CV、Variational及硬分类迭代三种不同学习算法的GPM模型比较。通过对比RMSE、R~2和训练时间(Time),SGPM模型的预测准确度与采用硬分类迭代算法的GPM模型基本一致,但明显优于另外两种GPM模型。训练时间相比于采用硬分类迭代算法的GPM模型节约一半以上。表明SGPM模型能够很好应用于太阳黑子预测,可以为外层空间环境研究提供借鉴与参考。