论文部分内容阅读
时间序列是按照时间排序的一组随机变量,广泛地存在于生活中的诸多领域,包括气象、金融、农业、生物等,挖掘隐含其中有用的知识对实际生活生产有重大作用和意义。时间序列预测作为一种时序挖掘技术,是时序数据分析处理的一个重要方面。时间序列预测通过分析历史时序数据对未来一段时期的时序数据进行预测。在时间序列预测中,传统的时序预测模型由于自身结构的限制,导致对复杂的非线性数据预测结果不理想。基于神经网络和支持向量机的预测模型训练算法复杂、易陷入局部最优且网络结构不稳定,明显降低构建模型的效率。回声状态网络作为一种新型的递归神经网络,广泛应用于非线性时间序列的预测中。但是,面对时间序列数据高维、复杂的特性,很难高效而准确地对时间序列进行分析和预测处理。同时,传统的ESN网络由于独特的结构特性,在进行网络训练时需要大量的训练样本使得训练困难,影响预测精度。鉴于此,为了能够对不同时序数据进行精准的预测,本文改进了时序SAX表示法,并结合回声状态网络预测模型,开展基于SAX和状态网络的时序预测模型研究。研究内容如下:（1）时间序列相关理论算法分析。针对时间序列挖掘中的基础理论和相关算法进行了总结与说明,介绍并分析了时间序列SAX表示法与预测方法研究目的与算法原理等相关内容。（2）基于局部均值分解和改进小波熵的时序SAX模型。为解决传统SAX表示法中分段数选取平均化、划分区间同等对待、非平稳的序列中的突变信息特征难以体现的问题,引入了局部均值分解技术和改进小波熵分段算法,提出了基于局部均值分解和改进小波熵的时序SAX模型。该模型将局部均值分解技术与改进小波熵算法相结合,不仅能对原始时间序列去噪,而且能够更好地获取非平稳序列的特征信息,对序列进行拟合,达到降维的目的,提高了KNN分类算法在该表示法上的分类准确率。（3）灰狼优化回声状态网络的时序预测方法。回声状态网络采用储备池代替传统神经网络的隐层,其预测主要是通过对连接权重的训练实现的,算法简单易于实现。但由于ESN独特的结构特性,需要大量的训练样本使得训练困难,同时也需要提高储备池的适应性以面对复杂的预测任务。为了解决ESN预测中训练困难的问题,引入了灰狼算法,提出了灰狼优化回声状态网络的时序预测方法。该算法中灰狼能够自适应地快速根据其捕食行为实现全局优化,通过灰狼算法优化输出权重Wout,解决了训练困难的问题,提高了ESN网络预测的精度。（4）基于SAX和回声状态网络的时序预测模型。将SAX表示法引入灰狼优化回声状态网络的时序预测算法中,构建新的时序预测模型。从而简化预测模型中的训练数据,在保持预测精度的前提下,提升该模型的构建效率。