基于模糊神經網絡的時間序列預測模型.pdf

1、時間序列預測是通過有限個歷史觀測樣本建立模型，并利用模型解釋數據的統(tǒng)計規(guī)律，以期達到控制和預報目的的一門技術，在眾多領域都有廣泛的應用。對于平穩(wěn)時間序列的建模和預測，特別是線形模型的研究，有了許多成熟的技術和方法。但在實際問題中，大多數序列并非平穩(wěn)、線性的，而目前在這類時間序列的分析和處理上沒有較為完善的方法，達不到人們所期望的效果。同時模糊神經網絡模型良好的非線性預測性能和實用性，在旅游、金融、工業(yè)等時間序列預測中都取得了很好的成績。

2、但現(xiàn)實中，許多序列并不是單純的線性或非線性模型，且在實際操作中很難判斷其為線性或者非線性，再者在預測分類領域，沒有哪一個模型適合于任何情況。因此，一些學者提出了建立結合模型的思想，如BP模型與時間序列結合預測模型、SVMs與時間序列結合預測模型，并取得很好的成績。 本文提出一種基于模糊神經網絡的時間序列預測模型。緒論中介紹了時間序列及模糊神經網絡發(fā)展狀況，第二章給出了傳統(tǒng)時間序列分析的基本方法，如AR模型、MA模型、ARMA模型

3、。對于非平穩(wěn)線性時間序列則通過差分等數學方法轉化為平穩(wěn)序列，如ARIMA模型。對于金融時間序列介紹了條件異方差ARCH模型。第三章介紹了模糊神經網絡模型系統(tǒng)結構及學習算法，可知該模型對非線性時間序列有很好的預測能力。后兩章為本文的重點，第四章提出了基于模糊神經網絡與SARIMA結合的時間序列預測模型，并針對于悉尼航空數據給出了具體的混合模型。第五章提出了基于模糊神經網絡與GARCH結合的金融時間序列預測模型，并針對于上證指數數據給出了具