時間序列是指某個復雜動態(tài)系統(tǒng)中的被控對象在不同時間點的實際觀測值。時序數(shù)據(jù)的預測建模則是根據(jù)已知數(shù)據(jù),構(gòu)建能反映數(shù)據(jù)內(nèi)部所隱含某種動態(tài)關(guān)系的數(shù)學模型,揭示其變化規(guī)律,預測未來的走勢。時序數(shù)據(jù)預測被應用于許多領(lǐng)域,如航空乘客需求、匯率、風速、電力價格和碳價格等等。然而,復雜動態(tài)市場中的時序數(shù)據(jù)受多種因素的影響往往表現(xiàn)出波動性、不規(guī)則、非平穩(wěn)等復雜特征,使得準確預測時序數(shù)據(jù)成為當前研究的重點與難點。因此,如何科學地搭建預測方法及提高數(shù)據(jù)預測的精確性,無論是在挖掘動態(tài)系統(tǒng)的發(fā)展規(guī)律、補充現(xiàn)有的理論知識,深入理解動態(tài)系統(tǒng)變化規(guī)律這樣的科學層面,還是在獲取商業(yè)利益、提供有價值的參考意見或強有力的數(shù)據(jù)支持這樣的現(xiàn)實層面,都具有十分重要的意義。當前已有的預測方法可概括為計量經(jīng)濟方法、人工智能技術(shù)和混合方法。計量經(jīng)濟方法主要采用隨機方程簡明的描述實際問題的定量特征,但簡單的數(shù)學公式在實際情況中不能準確表達和處理數(shù)據(jù)的不規(guī)則與非線性等復雜特征。人工智能技術(shù)能夠根據(jù)實際應用的需要建立非線性表示的數(shù)學模型,從而通過設計相應的學習算法來解決具體問題,但其存在過擬合,參數(shù)不穩(wěn)定波動等問題。就準確性和穩(wěn)定性而言,... 

【文章來源】：蘭州交通大學甘肅省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

本文結(jié)構(gòu)圖

蘭州交通大學碩士學位論文-17-圖3.1VMD-ARMA/KLEM-KELM方法的流程圖3.4實證研究本小節(jié)主要涉及兩個問題:(1)評估本章所搭建的VMD-ARMA/KLEM-KELM航空乘客需求預測方法的性能;(2)與其他幾種單模型、混合方法的預測性能相比，證實本章提出方法的優(yōu)越性。因此，采用了北京機場和廣州機場的航空乘客需求數(shù)據(jù)來測試所提出的混合方法。3.4.1節(jié)描述了數(shù)據(jù)信息。3.4.2節(jié)詳細描述了誤差評估準則和統(tǒng)計檢驗標準。3.4.3節(jié)詳細的給出了實證過程和預測性能分析過程。3.4.1數(shù)據(jù)來源收集北京，廣州和上海浦東機場的2006年1月至2017年11月航空客運需求月度數(shù)據(jù)來進一步證明本章中所提出方法的預測能力。北京和廣州機場的數(shù)據(jù)用于建立和測試混合方法的性能，上海浦東機場的數(shù)據(jù)用于驗證混合方法的適用性和魯棒性。如圖3.2所示，三個機場的航空客運需求量顯示出不平穩(wěn)特性。訓練集和測試集分別為2006年1月至2015年7月和2015年8月至2017年11月。

基于分解-集成學習的時間序列預測方法研究-18-圖3.2北京、廣州和上海浦東機場的航空旅客需求月度數(shù)據(jù)3.4.2評價準則誤差是衡量預測值接近真實值的程度，評估標準可用于判斷預測方法的性能。以下幾種流行的指標可用于從不同角度評估誤差[35]，例如MAE、MAPE、RMSE和方向預測精度(Dstat)。MAE、MAPE和RMSE越小越好，而Dstat的數(shù)值越大越好。具體公式內(nèi)容如表3.1所示。表3.1性能評估指標評估指標定義公式MAE平均絕對誤差"11||NiiiAANMAPE平均絕對百分比誤差"11100%NiiiiAANARMSE均方根誤差"211()NiiiAANDstat方向預測精度11NnndN注：iA代表真實值，"iA代表預測值。""1ii+11()()00niindAAAAd當其他。為了評估所提出的混合方法的預測準確性是否在統(tǒng)計上優(yōu)于其他基準方法，引入了Diebold–Mariano(DM)檢驗[47]。DM檢驗的假設為：

【參考文獻】：
期刊論文
[1]基于Elman神經(jīng)網(wǎng)絡的PM2.5質(zhì)量濃度區(qū)間預測[J]. 李曉理,梅建想,王康,李濟瀚.  北京工業(yè)大學學報. 2020(04)
[2]基于奇異譜分析的航空客運需求分析與分解集成預測模型[J]. 梁小珍,郭戰(zhàn)坤,張倩文,楊明歌,汪壽陽.  系統(tǒng)工程理論與實踐. 2020(07)
[3]基于數(shù)據(jù)分解的AQI的CEEMD-Elman神經(jīng)網(wǎng)絡預測研究[J]. 吳曼曼,徐建新,王欽.  中國環(huán)境科學. 2019(11)
[4]基于極限學習機的短期風力發(fā)電預測[J]. 朱抗,楊洪明,孟科.  電力科學與技術(shù)學報. 2019(02)
[5]基于數(shù)據(jù)替補修正的高速鐵路日常客運量VMD-GA-BP預測方法[J]. 史峰,楊星琪,胡心磊,徐光明,武潤發(fā).  中國鐵道科學. 2019(03)
[6]基于ARIMA模型的山東省肺結(jié)核發(fā)病趨勢預測[J]. 秘玉清,張繼萍,殷延玲,劉一鋆,于慧慧,王莎莎,王祥,李愛嬌,羅盛,李偉.  中國衛(wèi)生統(tǒng)計. 2018(06)
[7]基于航空大數(shù)據(jù)的機場客流量時空分布預測[J]. 羅甘.  電子技術(shù)與軟件工程. 2018(18)
[8]基于EMD-GA-BP與EMD-PSO-LSSVM的中國碳市場價格預測[J]. 崔煥影,竇祥勝.  運籌與管理. 2018(07)
[9]時空嵌入式生成對抗網(wǎng)絡的地點預測方法[J]. 孔德江,湯斯亮,吳飛.  模式識別與人工智能. 2018(01)
[10]基于VMD與PSO優(yōu)化深度信念網(wǎng)絡的短期負荷預測[J]. 梁智,孫國強,李虎成,衛(wèi)志農(nóng),臧海祥,周亦洲,陳霜.  電網(wǎng)技術(shù). 2018(02)

博士論文
[1]神經(jīng)網(wǎng)絡及其組合模型在時間序列預測中的研究與應用[D]. 潘麗娜.蘭州大學 2018
[2]多元時間序列分割與預測方法及應用研究[D]. 郭紅月.大連理工大學 2017

碩士論文
[1]基于神經(jīng)網(wǎng)絡方法的時間序列預測方案研究[D]. 王慧健.南京郵電大學 2019
[2]基于深度學習的腦血管病電子病歷輔助診療研究[D]. 郭煜.北京交通大學 2019
[3]改進粒子群算法優(yōu)化Elman神經(jīng)網(wǎng)絡的交通流預測[D]. 張琪琪.長安大學 2019
[4]基于VMD-ARIMA-HGWO-SVR組合模型的港口集裝箱吞吐量預測[D]. 劉鈺.蘭州大學 2018
[5]基于灰狼優(yōu)化算法的風電場短期風速區(qū)間預測[D]. 王玉芳.蘭州大學 2017
[6]基于灰色理論的碳市場交易價格預測研究[D]. 關(guān)曉軻.西南交通大學 2016
[7]人民幣兌美元匯率短期預測研究[D]. 許宗禮.暨南大學 2016
[8]分解集成框架下的石油價格預測：模態(tài)重構(gòu)與分量預測技術(shù)研究[D]. 汪子述.北京化工大學 2016
[9]基于螢火蟲算法和RBF神經(jīng)網(wǎng)絡的高速公路交通流預測[D]. 劉研.長安大學 2016



本文編號：3076661