本文關鍵詞：模糊時間序列的研究與應用

  更多相關文章： 模糊時間序列 小波變換 模糊規(guī)則 模糊C-均值 預測

【摘要】：對于模糊、不準確等不完整數(shù)據(jù),模糊時間序列展示出了其相對于經(jīng)典時間序列所具有的獨特優(yōu)勢。伴隨著大量學者的注入研究,模糊時間序列已應用到旅游、股票、溫度等領域進行預測,且具有較高的預測精度。針對模糊時間序列,學者更傾注于論域劃分、構建模糊規(guī)則及去模糊化這幾個層面。隨著近幾年機器學習算法的蓬勃發(fā)展,部分學者把機器學習算法融入到模糊時間序列中并得到較好的模型。文章首先在模糊規(guī)則建立方面對已有規(guī)則進行改進�，F(xiàn)有較好的模糊規(guī)則是將模糊邏輯關系發(fā)生的頻數(shù)與先后順序考慮進去,內(nèi)部權值的分配及這兩者之間權重的傾向性是需要格外注意的地方。本文提出的規(guī)則改進,主要針對模糊邏輯關系出現(xiàn)先后順序的權重分配,以及如何合理部署頻數(shù)與次序之間的權重可使模型達到更好的預測效果。其次,文章將小波分析運用到模糊時間序列中去。利用離散小波變換的分解與重構思想,根據(jù)選取的小波函數(shù)將原始數(shù)據(jù)多尺度分解為低頻與高頻部分,并對之后的數(shù)據(jù)根據(jù)其特性分別建立模型進行預測。為了提高模型的有效性,對分解后的數(shù)據(jù)運用模糊C-均值算法進行區(qū)域劃分,且利用上述改進的規(guī)則進行模糊規(guī)則的建立與去模糊化。最后,選取Alabama大學注冊人數(shù)與國家財政收入的數(shù)據(jù)進行仿真實驗,通過與以往的模糊時間序列模型相比對來驗證新模型的有效性。根據(jù)實驗結果易知,此改進的混合模型較傳統(tǒng)模型具有較大的優(yōu)勢。新模型也可以進一步的改進,與其它復雜的機器學習算法相結合,相信會有更精確的預測效果。
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：O159
，

本文編號：1289589