時間序列中蘊含了大量有價值的信息,時間序列預(yù)測是指通過對已知數(shù)據(jù)分析估計其未來的發(fā)展趨勢,準(zhǔn)確地對時間序列進行預(yù)測可以有效地指導(dǎo)人們的生產(chǎn)生活。極限學(xué)習(xí)機(Extreme Learning Machine,ELM)作為一種快速的學(xué)習(xí)算法,被廣泛地應(yīng)用于時間序列預(yù)測。與傳統(tǒng)前饋神經(jīng)網(wǎng)絡(luò)相比,極限學(xué)習(xí)機只需要隨機設(shè)置輸入權(quán)值和隱層閾值,輸出權(quán)值可以通過求解一個線性方程組得到,其訓(xùn)練過程無需迭代,一步完成,這樣很大程度地提高了網(wǎng)絡(luò)的泛化性和學(xué)習(xí)速度。本文基于極限學(xué)習(xí)機對時間序列進行預(yù)測,主要做了如下研究:(1)針對基本極限學(xué)習(xí)機認為新舊訓(xùn)練樣本的值應(yīng)該相等,新訓(xùn)練樣本的權(quán)重?zé)o法通過舊訓(xùn)練樣本來得到這一問題,本文提出了一種改進極限學(xué)習(xí)機對基本極限學(xué)習(xí)機的樣本更新機制進行改進,進一步提高了極限學(xué)習(xí)機的回歸預(yù)測能力。(2)闡述剔除樣本中不合理數(shù)據(jù)的拉伊達(Rajda)標(biāo)準(zhǔn)、補充缺失樣本數(shù)據(jù)的三次樣條插值方法以及樣本歸一化處理的方法。時間序列包含著不同的頻率分量,所以將時間序列分解成不同頻率分量是必要的。通過對一個典型時間序列進行經(jīng)驗?zāi)B(tài)分解和小波分解仿真,對比了這兩種分解方法,發(fā)現(xiàn)經(jīng)驗?zāi)B(tài)分解方法在處理非線性、非平穩(wěn)的時間序列具有其獨特的優(yōu)勢,最終確定經(jīng)驗?zāi)B(tài)分解為本文預(yù)測方法的分解手段。(3)針對時間序列具有非線性和非平穩(wěn)的特點,本文提出了將經(jīng)驗?zāi)B(tài)分解與改進極限學(xué)習(xí)機相結(jié)合的預(yù)測方法。其實現(xiàn)過程為:將時間序列通過經(jīng)驗?zāi)B(tài)分解方法分解成幾個不同頻率的分量,從而降低了序列的非平穩(wěn)性,分解后得到的分量表現(xiàn)出了短相關(guān)性,短相關(guān)性的序列復(fù)雜度低,更有利于預(yù)測模型的建立。對于每個分解后的分量,分別用改進的極限學(xué)習(xí)機進行預(yù)測,得到各個分量的預(yù)測結(jié)果,將這些預(yù)測結(jié)果疊加可得到模型的預(yù)測結(jié)果。(4)使用兩種不同類型的時間序列進行仿真預(yù)測,一種為Lorenz混沌時間序列,一種為實際測量的網(wǎng)絡(luò)流量時間序列,與其他時間序列預(yù)測方法做對比,仿真結(jié)果表明本文所提出的預(yù)測方法精度更高。
【學(xué)位單位】：沈陽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：O211.61;TP181
【部分圖文】：

圖 2.6 反饋網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2.6 Feedback network structure典型自組織網(wǎng)絡(luò)，結(jié)構(gòu)如圖 2.7 所的區(qū)域，不同區(qū)域有不同的響應(yīng)，[43]

OXW圖2.8 學(xué)習(xí)算法結(jié)構(gòu)圖Fig. 2.8 Learning algorithm structure diagram以單隱含層前饋神經(jīng)網(wǎng)絡(luò)為例，詳細介紹誤差反向傳播算法的過程，單隱含層前饋神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)如圖 2.9 所示：nx1ijw1x2x2liwmo1o2on p m圖2.9 單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 2.9 Single hidden layer feedforward neural network structure在圖 2.9 中n表示輸入層的神經(jīng)元數(shù)目，神經(jīng)網(wǎng)絡(luò)輸入為 1 2, , ,TnX x x x， p表示隱含層的神經(jīng)元數(shù)目， m 為輸出層的神經(jīng)元數(shù)目，神經(jīng)網(wǎng)絡(luò)輸出信號為 1 2, , ,TmO o o o，神經(jīng)網(wǎng)絡(luò)的期望輸出為 1 2, , ,TmD d d d，輸入層與隱含層的加權(quán)矩陣為 1ijp nw

a 為該序列經(jīng)過小波分解第 5 層的近似分量，該分量代表了被分解序列的趨勢。從對圖 3.3 和圖 3.4 這兩個不同分解方法得到的各個分量的時域圖可以看出，經(jīng)驗?zāi)B(tài)分解總是先把序列中的主要成分提取出來，并且一般前幾個分量包含了被分解時間序列的主要信息，最后一個分量代表了整個序列的趨勢項。小波分解得到的細節(jié)分量和近

【相似文獻】

相關(guān)期刊論文 前10條

1 何蕭玲;時間序列預(yù)測的一個前饋神經(jīng)網(wǎng)絡(luò)模型[J];福州大學(xué)學(xué)報(自然科學(xué)版);2001年04期

2 聶皖生;時間序列預(yù)測的權(quán)數(shù)理論[J];統(tǒng)計與預(yù)測;1994年05期

3 張志鵬;王偉平;鄭海超;;卡爾曼濾波及其在時間序列預(yù)測中的應(yīng)用[J];儀表技術(shù);2010年07期

4 江勝菊;王濤;;一型模糊邏輯系統(tǒng)在時間序列預(yù)測中的應(yīng)用[J];遼寧工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2012年05期

5 朱丹;;“時間序列預(yù)測”教學(xué)探討[J];中山大學(xué)學(xué)報論叢;2005年06期

6 孫延風(fēng),梁艷春,姜靜清,吳春國;金融時間序列預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法[J];吉林大學(xué)學(xué)報(信息科學(xué)版);2004年01期

7 王鴻緒;陳德廣;過建春;金海龍;;基于逆模糊數(shù)的模糊時間序列預(yù)測的新方法[J];數(shù)學(xué)的實踐與認識;2015年07期

8 楊月英;馬萍;;基于灰色時間序列預(yù)測中國汽車銷量[J];湖州職業(yè)技術(shù)學(xué)院學(xué)報;2012年01期

9 吳江;李太勇;;基于加權(quán)支持向量機的金融時間序列預(yù)測[J];商業(yè)研究;2010年01期

10 楊鐘瑾;;核函數(shù)支持向量機的時間序列預(yù)測應(yīng)用研究[J];消費導(dǎo)刊;2008年10期

相關(guān)會議論文 前10條

1 尤華;王建東;;機場噪聲的時間序列預(yù)測[A];2011年通信與信息技術(shù)新進展——第八屆中國通信學(xué)會學(xué)術(shù)年會論文集[C];2011年

2 陳宇;唐常杰;鐘義嘯;段磊;喬少杰;普東航;;基于基因表達式編程和時變強度的時間序列預(yù)測[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

3 王亮;鐘登華;葛曉冬;;預(yù)測方法綜述[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

4 程乾生;;非線性時間序列預(yù)測——基于數(shù)據(jù)結(jié)構(gòu)的預(yù)測方法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

5 劉經(jīng)緯;王普;劉蘇;楊蕾;;時間序列預(yù)測小波神經(jīng)網(wǎng)絡(luò)控制方法研究[A];第26屆中國控制與決策會議論文集[C];2014年

6 王昭旭;郝曉辰;郭f萬

本文編號：2832294