發(fā)布時間：2020-10-24 16:13

　　 時間序列不僅可以反映天文、金融、生物醫(yī)學(xué)、控制學(xué)、海洋科學(xué)等領(lǐng)域的發(fā)展變化過程,還可以探索其發(fā)展變化規(guī)律來預(yù)測某些現(xiàn)象。隨著時間序列分析的深入,國內(nèi)外已提出一系列線性和非線性預(yù)測方法,并取得了良好的應(yīng)用效果,但其中絕大多數(shù)方法都是針對單變量時間序列預(yù)測提出的。然而現(xiàn)實生活中所采集的時間序列數(shù)據(jù)往往不是由單一因素所決定,需要綜合考慮多種因素。因此,對多變量時間序列預(yù)測進(jìn)行研究更具有現(xiàn)實意義。由于多變量時間序列數(shù)據(jù)具有不同于單變量時間序列自身的特性:多噪聲、多尺度、變量相關(guān)等,現(xiàn)有的單變量時間序列預(yù)測方法無法直接預(yù)測多變量時間序列,因此研究多變量時間序列預(yù)測具有重要的理論價值。本文以極限學(xué)習(xí)機(jī)(ELM)為工具,針對多變量時間序列預(yù)測展開研究,提出三種多變量時間序列極限學(xué)習(xí)機(jī)預(yù)測模型,主要完成了如下工作:1、極限學(xué)習(xí)機(jī)在參數(shù)學(xué)習(xí)過程中僅考慮已知樣本信息,而在實際應(yīng)用中樣本個數(shù)往往有限,因此ELM僅考慮有限已知樣本信息無法滿足預(yù)測準(zhǔn)確性的需求。針對這一問題,在極限學(xué)習(xí)機(jī)的特征空間中綜合考慮特征樣本的已知信息和潛在信息,提出潛在極限學(xué)習(xí)機(jī)(LELM)預(yù)測模型。在多變量時間序列上的實驗結(jié)果表明,LELM能夠有效提高極限學(xué)習(xí)機(jī)的預(yù)測能力。2、在極限學(xué)習(xí)機(jī)預(yù)測多變量時間序列時,需將矩陣樣本轉(zhuǎn)換成向量作為模型的輸入,這極大地影響模型預(yù)測精度。針對這一問題,結(jié)合奇異值分解思想,在極限學(xué)習(xí)機(jī)隱藏層和輸出層之間增加SVD降維層,提出一種基于矩陣形式輸入的多變量時間序列極限學(xué)習(xí)機(jī)預(yù)測模型(SVDELM)。在混沌時間序列和股票時間序列上的實驗結(jié)果表明,SVDELM是一種有效的多變量時間序列預(yù)測模型。3、SVDELM和一.維極限學(xué)習(xí)機(jī)(2D-ELM)均是基于矩陣形式輸入的預(yù)測模型,然而SVDELM對特征空間樣本降維,2D-ELM在投影過程中對輸入樣本降維,都將造成原始數(shù)據(jù)信息的丟失。針對上述問題,提出一種無需對輸入樣本降維的預(yù)測模型,即改進(jìn)的二維極限學(xué)習(xí)機(jī)(I2D-ELM)。實驗結(jié)果表明I2D-ELM能夠大大提高多變量時間序列預(yù)測模型的精度。
【學(xué)位單位】：福州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2016
【中圖分類】：C829.2
【部分圖文】：

多研宂者發(fā)現(xiàn)，多層前反饋神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本無限多時具有通用逼近能力，??然而實際應(yīng)用中的訓(xùn)練集是有限的［１５］。文獻(xiàn)［３２］指出，單隱層節(jié)點(diǎn)個數(shù)大于或??等于訓(xùn)練樣本個數(shù)時，幾乎任意非線性激勵函數(shù)都能使單隱層前饋神經(jīng)網(wǎng)絡(luò)??（ＳＬ－ＦＮＮ）以零誤差逼近真值。然而其基于梯度下降法調(diào)整輸入層和隱藏層的連??接矩陣和偏置使該算法時間開銷太大。??事實上，ＦＮＮ輸入層和隱藏層之間的連接矩陣和偏置在學(xué)習(xí)過程中無需??每次調(diào)整，這能大大減少ＦＮＮ的學(xué)習(xí)時間代價。文獻(xiàn)［３３］指出當(dāng)給定連接矩陣??和隱層節(jié)點(diǎn)偏置時，若ＦＮＮ具有Ｗ個隱層節(jié)點(diǎn)，則它能夠以任意小誤差逼近７Ｖ??個觀測值，而當(dāng)隱層偏置也固定時，ＳＬ－ＦＮＮ能夠在緊湊數(shù)據(jù)集中逼近任意連??續(xù)函數(shù)丨３２］。??由于當(dāng)給定連接矩陣和隱層節(jié)點(diǎn)偏置時，ＳＬ－ＦＮＮ可以簡單地看成是一個??特征空間的線性系統(tǒng)，為此文獻(xiàn)［１５］提出極限學(xué)習(xí)機(jī)（ＥＬＭ），其基本思路是：首??先隨機(jī)生成連接矩陣和偏置將說始數(shù)據(jù)集映射到特征空間，優(yōu)化輸出權(quán)重。Ｉ￡ＬＭ??無需優(yōu)化連接矩陣和偏置使其學(xué)習(xí)速度比ＦＮＮ快得多，同時還具有更好的泛化??性能。??

?－???ＲＭＳＥ?Ｉ?ＭＡＥ??名稱?變量?ＥＬＭ?ＷＥＬＭ?ＬＥＬＭ?｜?ＥＬＭ?ＷＥＬＭ?ＬＥＬＭ??ｘ?０．０６１０?０．１２０５?０．０５７０?Ｉ?０．０４９４?０．１０８５?０．０４６５??Ｒｏｓｓｌｅｒ?ｙ?０．０７３８?０．１１２６?０．０６９３?０．０５８５?０．０９９３?０．０５５３??ｚ?０．０００４?０．０００３?０．０００４?０．０００３?０．０００２?０．０００３??ｘ?２．５８６９?５．６８５?２．４９９６?２．４４７?５．３８２２?２．３５０８??Ｃｈｅｎ’ｓ?ｙ?３．２７５３?７．３１１７?３．２３１１?３．１６４?６．６５８３?３．１０７３??ｚ?４．７３５３?１４．８７１６?４．５６６９?４．６９５１?１４．０６４７?４．５２４７??ａ－?０．６０１０?４．４６２５?０．４６１１?０．４４６９?３．１０８９?０．３３２９??Ｌｏｒｅｎｔｚ?ｙ?１．７１６３?６．９１０３?１．２２８０?｜?１．２９５０?４．９０５３?０．９２４７??ｚ?１．３８５５?７．８６７３?１．００２１?｜?１．０２３６?４．２４２２?０．７２８６??從表３－４、表３－５可以看出，本章所提出的潛在極限學(xué)習(xí)機(jī)（ＬＥＬＭ）在６個??多變量時間序列共２１個不同變量中有１９個變量的ＲＭＳＥ和ＭＡＥ均比ＥＬＭ和??ＷＥＬＭ低，說明本章所提出的ＬＥＬＭ比ＥＬＭ、ＷＥＬＭ的預(yù)測效果更好。這是??因為ＬＥＬＭ除了考慮了己知樣本信息，還考慮了潛在樣本信息，從而有效輯高??了?ＥＬＭ模型的預(yù)測能力。?］＞??８．５?｜?Ｉ?Ｉ?Ｉ?Ｉ??

?２５０?３００??圖３－３國農(nóng)科技??圖３－１，?３－２，?３－３分別是ＬＥＬＭ、ＥＬＭ、ＷＥＬＭ在３種股票時間序列開盤價??的擬合曲線。從圖３－１，３－２，?３－３可以看出本章所提出的ＬＥＬＭ在３支股票的開??盤價上預(yù)測效果均達(dá)到最好。??１９??
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔兆順;;基于小波變換的網(wǎng)絡(luò)流量組合預(yù)測模型[J];計算機(jī)工程與應(yīng)用;2014年10期

2 何群;李磊;江國乾;謝平;;基于PCA和多變量極限學(xué)習(xí)機(jī)的軸承剩余壽命預(yù)測[J];中國機(jī)械工程;2014年07期

3 董紅玉;陳曉云;;基于奇異值分解和判別局部保持投影的多變量時間序列分類[J];計算機(jī)應(yīng)用;2014年01期

4 王杰;畢浩洋;;基于極限學(xué)習(xí)機(jī)的煙葉成熟度分類[J];煙草科技;2013年05期

5 張金良;譚忠富;;混沌時間序列的混合預(yù)測方法[J];系統(tǒng)工程理論與實踐;2013年03期

6 陳欽亞;姜德爍;;矩陣方程AX=B有解的判定和解的結(jié)構(gòu)[J];安康學(xué)院學(xué)報;2012年03期

7 王新迎;韓敏;;基于極端學(xué)習(xí)機(jī)的多變量混沌時間序列預(yù)測[J];物理學(xué)報;2012年08期

8 席劍輝;王海丹;;基于改進(jìn)RBF網(wǎng)絡(luò)的多變量序列建模和預(yù)測[J];信息與控制;2012年02期

9 郭創(chuàng)新;王揚(yáng);沈勇;王媚;曹一家;;風(fēng)電場短期風(fēng)速的多變量局域預(yù)測法[J];中國電機(jī)工程學(xué)報;2012年01期

10 張弦;王宏力;;基于Cholesky分解的增量式RELM及其在時間序列預(yù)測中的應(yīng)用[J];物理學(xué)報;2011年11期

相關(guān)碩士學(xué)位論文 前2條

1 馬倩倩;多元時間序列相似性搜索算法研究[D];蘭州理工大學(xué);2013年

2 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

本文編號：2854692