论文部分内容阅读
时间序列预测一直是学者们研究的热点问题。自回归整合滑动平均模型是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的较为经典的时间序列模型。此模型有两个主要的限制,一是假定时间序列具有线性结构；二是需要较多的时间序列观测值建模才能获得理想的预测结果,且预测结果不具有语义解释。但在实际问题中,时间序列数据往往都具有一定的非线性结构,有时观测数据较少且有缺失。另外,大多数的时间序列模型都只是利用所关心的时间序列本身的信息建立起来的,并以此为基础进行预测。而对于融合相关信息进行时间序列建模预测的方法并不多见。本文结合计算智能技术及融合Granger相关性信息提出了不同的时间序列预测模型,其主要研究工作包括：1.提出了基于模糊聚类和信息粒度的模糊时间序列模型。模糊时间序列模型的关键是如何划分论域,传统的论域划分方法多采用均匀划分,提出的模糊时间序列模型中采用非均匀划分方法。该划分方法充分利用了数据分布的信息,划分后得到的子区间具有很好的可解释性。该模型利用模糊聚类得到时间序列的聚类中心实现论域初次划分；再应用信息颗粒技术进行调节得到最终论域的非均匀划分。为了验证提出模型的有效性,在Enrollment和DAXSIMV数据上与一些模糊时间序列模型进行了比较。实验结果表明提出的模型显著提高了预测精度。2.提出了包含时域信息的模糊时间序列模型。时域信息在时间序列预测中扮演着重要角色,该模型通过G-G模糊聚类将时间变量作为参数参与到论域的划分过程,不仅考虑了数据分布情况,更重要的是考虑了时间变量对论域划分的影响。因此,提出的模型利用信息更全面,更能反映时间序列随时间变化的趋势。在Enrollment和TAIEX数据上同一些其它模糊时间序列模型进行了比较,实验结果表明了提出模型的优越性。3.提出了基于Granger相关性的时间序列预测模型。为了充分利用信息,该时间序列模型将Granger相关性信息融入到模型的构建过程中。首先,对所关心的时间序列建模获取其本身的信息：其次,通过Granger相关性假设检验判断相关性信息的存在性,并利用人工神经网络抽取相关性信息；最后,融合两部分信息进行模型构建。提出的模型充分考虑了时间序列变量之间的动态关系,模型对信息的利用更加完全。实验部分在人工合成数据及真实数据上进行,比较了同ARMA模型、神经网络模型及模糊时间序列模型的预测结果,实验结果表明提出的模型取得了较好的预测结果。