基于智能算法的時(shí)間序列預(yù)測(cè)方法研究.pdf

1、預(yù)測(cè)是人們依照歷史信息對(duì)未來進(jìn)行的推測(cè)與預(yù)期，合理、準(zhǔn)確的預(yù)測(cè)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(duì)于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)，長期以來是學(xué)者們緊密關(guān)注的課題。時(shí)間序列數(shù)據(jù)中可以儲(chǔ)存非常多的信息，其中也蘊(yùn)含著許多系統(tǒng)動(dòng)態(tài)規(guī)律，于是，通過充分分析這些時(shí)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(duì)前期系統(tǒng)運(yùn)行的觀察和對(duì)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(shí)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(cè)此類時(shí)間序列數(shù)據(jù)是非常困難的。因此，本課題在傳統(tǒng)時(shí)間序列預(yù)測(cè)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(shí)間序列預(yù)測(cè)效果的方法。
　　預(yù)測(cè)應(yīng)用過程當(dāng)中，如果對(duì)一個(gè)序列分別創(chuàng)建不同的預(yù)測(cè)模型，那么這些不同的模型所產(chǎn)生的預(yù)測(cè)效果是有差異的，而且有時(shí)這種差異非常大。因此，針對(duì)不同預(yù)測(cè)方法的優(yōu)缺點(diǎn)，可以把多種預(yù)測(cè)方法進(jìn)行融合，

3、從而創(chuàng)建出一種新的預(yù)測(cè)模型來實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)，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(cè)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(shí)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(duì)新序列特性分別創(chuàng)建預(yù)測(cè)模型進(jìn)行預(yù)測(cè)