基于智能算法的時間序列預(yù)測方法研究.pdf

1、預(yù)測是人們依照歷史信息對未來進(jìn)行的推測與預(yù)期，合理、準(zhǔn)確的預(yù)測是人們提出恰當(dāng)、合理決策的基礎(chǔ)與保證。學(xué)術(shù)與工程實(shí)踐領(lǐng)域里，對于時間序列數(shù)據(jù)的預(yù)測，長期以來是學(xué)者們緊密關(guān)注的課題。時間序列數(shù)據(jù)中可以儲存非常多的信息，其中也蘊(yùn)含著許多系統(tǒng)動態(tài)規(guī)律，于是，通過充分分析這些時間序列數(shù)據(jù)，挖掘出數(shù)據(jù)中演變規(guī)律，從而實(shí)現(xiàn)對前期系統(tǒng)運(yùn)行的觀察和對后期系統(tǒng)運(yùn)行的預(yù)報(bào)，這在實(shí)際應(yīng)用里有著十分重要的價(jià)值及意義。
　　在實(shí)際應(yīng)用中，所獲得的時間序列數(shù)據(jù)

2、通常是非線性的，而且常常是不平穩(wěn)甚至快速變化的，精準(zhǔn)地分析預(yù)測此類時間序列數(shù)據(jù)是非常困難的。因此，本課題在傳統(tǒng)時間序列預(yù)測方法的基礎(chǔ)上，分別引入了小波分析、Elman神經(jīng)網(wǎng)絡(luò)、回聲狀態(tài)網(wǎng)絡(luò)、模糊理論等智能算法來探討提高時間序列預(yù)測效果的方法。
　　預(yù)測應(yīng)用過程當(dāng)中，如果對一個序列分別創(chuàng)建不同的預(yù)測模型，那么這些不同的模型所產(chǎn)生的預(yù)測效果是有差異的，而且有時這種差異非常大。因此，針對不同預(yù)測方法的優(yōu)缺點(diǎn)，可以把多種預(yù)測方法進(jìn)行融合，

3、從而創(chuàng)建出一種新的預(yù)測模型來實(shí)現(xiàn)數(shù)據(jù)預(yù)測，這種新的模型能夠充分融合大量有用信息，在最大程度上改善數(shù)據(jù)的預(yù)測效果。
　　本課題提出了以下幾種模型:小波-AR模型，小波-AR-Elman神經(jīng)網(wǎng)絡(luò)模型，小波回聲狀態(tài)網(wǎng)絡(luò)模型和模糊回聲狀態(tài)網(wǎng)絡(luò)模型。模型首先利用Mallat算法和Daubechies小波將原始時間序列進(jìn)行不同尺度上的分解與重構(gòu)，分別得到不同分解尺度上的細(xì)節(jié)部分序列和概貌部分序列，而后分別針對新序列特性分別創(chuàng)建預(yù)測模型進(jìn)行預(yù)測