论文摘要
时间序列预测是通过有限个历史观测样本建立模型,并利用模型解释数据的统计规律,以期达到控制和预报目的的一门技术,在众多领域都有广泛的应用。对于平稳时间序列的建模和预测,特别是线形模型的研究,有了许多成熟的技术和方法。但在实际问题中,大多数序列并非平稳、线性的,而目前在这类时间序列的分析和处理上没有较为完善的方法,达不到人们所期望的效果。同时模糊神经网络模型良好的非线性预测性能和实用性,在旅游、金融、工业等时间序列预测中都取得了很好的成绩。但现实中,许多序列并不是单纯的线性或非线性模型,且在实际操作中很难判断其为线性或者非线性,再者在预测分类领域,没有哪一个模型适合于任何情况。因此,一些学者提出了建立结合模型的思想,如BP模型与时间序列结合预测模型、SV Ms与时间序列结合预测模型,并取得很好的成绩。本文提出一种基于模糊神经网络的时间序列预测模型。绪论中介绍了时间序列及模糊神经网络发展状况,第二章给出了传统时间序列分析的基本方法,如AR模型、MA模型、ARMA模型。对于非平稳线性时间序列则通过差分等数学方法转化为平稳序列,如ARIMA模型。对于金融时间序列介绍了条件异方差ARCH模型。第三章介绍了模糊神经网络模型系统结构及学习算法,可知该模型对非线性时间序列有很好的预测能力。后两章为本文的重点,第四章提出了基于模糊神经网络与SARIMA结合的时间序列预测模型,并针对于悉尼航空数据给出了具体的混合模型。第五章提出了基于模糊神经网络与GARCH结合的金融时间序列预测模型,并针对于上证指数数据给出了具体的混合模型。实验中将混合模型与时间序列模型、BP模型、SV Ms模型及FNN单独模型进行比较,结果表明,从预测精度、算法稳定性和参数选择来看,所给模型是有效的。