混合預測模型研究.pdf

1、作為一門迅速發(fā)展著的學科，預警系統(tǒng)建模提供了由有限維數(shù)的觀測數(shù)據(jù)構(gòu)成的信息系統(tǒng)探究高維背景系統(tǒng)的動力特征的理論方法。在預警系統(tǒng)方面，趨勢預測模型是一種比較新穎、實用的思路，它從信息系統(tǒng)中抽取出決定系統(tǒng)的行為發(fā)展趨勢的數(shù)據(jù)，構(gòu)成一個時間序列數(shù)據(jù)庫，然后應(yīng)用特定領(lǐng)域較為有效的預測技術(shù)來對系統(tǒng)建模，從而對系統(tǒng)行為發(fā)展趨勢作出預測，達到監(jiān)控、預警等目的。
　　 有效的預測技術(shù)是提高預警系統(tǒng)性能的關(guān)鍵，本文第三章對常用的幾種預測模型進行分

2、析；一般地，預測模型都存在參數(shù)選取的問題，這些參數(shù)取值直接影響著預測模型的優(yōu)劣，本文第四章提出了幾種較為流行的群智能算法，這些方法可以來優(yōu)化預測模型中的參數(shù)取值，從而提高了模型的預測精度。同時群智能算法與預測模型參數(shù)取值問題的結(jié)合也是優(yōu)化模型結(jié)構(gòu)的切入點。
　　 為了進一步提高預測模型的準確性，文中提出混合建模方法，混合建模的關(guān)鍵在于找到混合建模的切入點和結(jié)構(gòu)。因為支持向量回歸(SVR)有很強的非線性建模能力，ARIMA有很強的

3、線性建模能力，所以我們對上述兩種模型結(jié)合形成文中的混合模型。
　　 在本文中，我們先對預警系統(tǒng)做了簡單介紹，然后將重點放到它的核心模塊-預測算法研究。針對預測算法提出了多種不同的數(shù)學模型，并且探討了不同數(shù)學模型的差異性；考慮到各模型都有自身的優(yōu)缺點，我們提出使用混合模型來提高預測準確度的想法；由于先用線性模型建模會影響系統(tǒng)的非線性特征，反之亦然，那么尋找混合模型切入點問題成為了研究要點二受到SVR模型的ε一不敏感性特征和系統(tǒng)一般