时序数据预测广泛存在于各个领域,近年来已取得丰硕的研究成果,特别是混合结构预测,通过有效集成多预测模型,全面获取时序数据的变化特征,不断提升预测模型性能。已有研究表明,模型的预测性能很大程度上取决于时序数据的表示形式,而对时序数据进行高层次、抽象的表示,可以有效地挖掘出数据潜在的变化特征。但是,现有混合模型没有考虑时序数据隐藏特征的提取,以及基于该隐特征的混合预测。鉴于此,本文研究基于隐特征提取的时序数据混合预测策略,主要内容如下:(1)基于滑动窗口隐特征提取的时序数据静态混合预测:基于现有三类混合预测模型结构,首先给出了本文面向时序数据隐特征提取的混合预测模型算法框架,并进而提出一种基于滑动窗口隐特征提取的并联组合预测策略。利用长短期记忆网络对定长滑动窗口划分的时序数据进行预测,获取各窗口时序数据的隐特征;基于该隐特征,采用线性加权多预测模型混合策略,构建静态并联组合预测模型;算法应用于4个典型时序数据集,实验结果表明算法可有效提高预测精度。(2)面向隐特征提取的时序数据动态混合预测:研究内容(1)滑动窗口长度及并联组合权重在预测过程中保持不变,难以适应时序数据的动态更新。鉴于此,在研究内容(1)的基础上,进一步提出动态改变滑动窗口长度和并联组合权重的动态混合预测算法。首先,基于混合模型预测精度的动态变化,给出隐特征提取模块滑动窗口自适应调整策略以及隐特征提取更新机制;然后,对于并联组合预测模块,提出了基于预测精度的组合权重动态调整策略;基于变滑动窗口隐特征及动态组合权重,实现时序数据的混合预测;算法在典型数据集的应用,表明其可进一步提高时序数据预测精度,有效改善预测模型性能。本文研究内容针对时序数据现有混合预测模型存在的不足,首先给出基于隐特征提取和多模型并联组合的时序数据混合预测架构,然后,分别针对隐特征提取模块和多模型并联组合预测模块,考虑了定滑动窗口和静态组合权重,以及变滑动窗口和动态组合权重的策略,实验结果表明了所提算法的有效性。该论文有图22幅,表10张,参考文献98篇。