基于模式匹配的时间序列预测方法及在冶金过程中的应用

论文摘要

科学的预测是做出正确决策的前提和保障。时间序列预测是预测学的一个重要领域。现代化冶金生产过程中,为保证生产顺行,要求准确掌握各种参数及其变化趋势,这些数据构成时间序列。对这类时间序列的预测效果的好坏会影响企业的生产成本和效益等技术经济指标。实践表明,不同的预测方法得到的预测结果也不同。因此,在现有大多方法无法满足实际应用需求的现状条件下,对新方法的研究显得十分必要。与常用的全局时间序列预测方法不同,基于模式匹配的时间序列预测方法从局部的时序模式出发,寻求对预测问题的合理描述。本文集中于基于模式匹配的时间序列预测方法的研究,在实证分析的基础上,进行了应用尝试。首先对预测本质和原理等进行了思考,指出复杂性范式指导下的预测基本要素与传统简单范式相比有了较大的改变;不确定性原理和可知性原理是新范式下指导预测的基本原理;现有条件下改善预测现状的出路集中于预测方法的研究。对已有方法的观察发现,大部分方法都属于全局预测方法,从全部或较大一部分历史数据中提取规律后,直接外推应用于预测,而基于模式匹配的时间序列预测方法将时间序列划分成不同的模式序列,然后通过相似性判据来度量模式间的相似程度,据此来确定与当前时序模式相匹配的历史时序模式,从而做出预测。其处理过程直观,既遵循人类认识事物的基本原理,也符合预测原理,有可能缓解由于预测对象结构变化所带来的预测局限。在已有文献工作的基础上,给出了基于模式匹配的时间序列预测方法的一般框架,并对各主要步骤的发展现状进行了综述;给出了各核心步骤的一般算法。在形状模式的概念框架下给出了3种基于模式形状相似的时间序列预测方法。时间序列预测问题本质是基于归纳的,属于数据建模范畴。利用本文给出的三种方法对五组常用时间序列数据的预测结果表明:其预测结果的好坏依赖于所给的数据和方法;选用不同的评价指标得到的预测效果评判存在不同程度的差异。对高炉铁水硅含量的预测结果也支持这一结论。理论评价和选择是科学研究程序中一个必不可少的环节,提出了用于预测评价和模型选择的科学性、实用性、简便性原则。对高炉铁水硅含量预测案例的研究表明:评价指标选择决定预测效果的评价结论和模型选择;常用的高炉铁水硅含量预测命中率指标存在局限,硅含量预测值和实测值之间的相关系数及其检验是一个表征预测的科学性的客观判据;人工预测和随机游走模型可以作为预测实

论文目录

• 中文摘要
• 英文摘要
• 插图清单
• 附表清单
• 符号列表
• 1 绪论
• 1.1 引言
• 1.2 预测理论
• 1.2.1 预测本质
• 1.2.2 预测范式更迭
• 1.2.3 改进预测的途径
• 1.3 时间序列预测方法
• 1.3.1 时间序列分解方法
• 1.3.2 移动平均方法
• 1.3.3 指数平滑方法
• 1.3.4 Box-Jenkins 方法
• 1.3.5 神经网络方法
• 1.3.6 神经网络与遗传算法相结合的时序预测方法
• 1.3.7 时间序列的组合预测方法
• 1.4 冶金过程中时间序列预测应用现状
• 1.4.1 高炉铁水硅含量预测
• 1.4.2 转炉终点预测
• 1.5 研究背景与研究内容
• 1.5.1 研究背景与意义
• 1.5.2 研究内容
• 2 基于模式匹配的时间序列预测方法
• 2.1 基本概念
• 2.1.1 模式定义
• 2.1.2 时间序列与时间序列模式
• 2.1.3 模式相似与匹配
• 2.2 基于模式匹配的时间序列预测的一般框架
• 2.3 时间序列分段与模式获取
• 2.3.1 先验模式获取
• 2.3.2 等时模式获取
• 2.3.3 非重迭模式获取
• 2.3.4 一种二次分段方法的提出
• 2.4 时间序列模式表示与变换
• 2.4.1 线性表示
• 2.4.2 多项式回归
• 2.4.3 频域变换
• 2.4.4 基于形状相似的序列变换
• 2.5 时间序列相似性函数
• 2.5.1 基于距离的时间序列相似性函数
• 2.5.2 基于形状的时间序列相似性函数
• 2.6 时间序列模式匹配与及其预测
• 3 基于模式形状相似匹配的时间序列预测方法
• 3.1 时间序列模式形状相似与形状模式
• 3.1.1 引言
• 3.1.2 时间序列形状与形状模式
• 3.1.3 离散时间序列形状模式的差分获取方法
• 3.2 基于SR 度量的时间序列模式形状相似性度量方法
• 3.2.1 引言
• 3.2.2 Sr 度量方法的提出
• 3.2.3 基于Sr 度量的时间序列模式形状相似性度量方法
• 3.3 一阶一步形状模式匹配方法
• 3.3.1 引言
• 3.3.2 一阶一步形状模式的特殊点表示
• 3.3.3 一阶一步形状模式相似性度量算法
• 3.4 一阶二步形状模式匹配方法
• 3.4.1 引言
• 3.4.2 一阶二步形状模式匹配算法描述
• 4 基于模式匹配的时间序列预测方法的实证检验
• 4.1 试验内容
• 4.2 试验环境与数据集
• 4.2.1 试验环境
• 4.2.2 软件接口
• 4.2.3 试验数据
• 4.3 预测结果分析
• 4.4 参数对预测结果的影响
• 4.4.1 窗口长度对方法I 预测结果的影响
• 4.4.2 训练集数据量大小（%）对预测结果的影响
• 5 基于模式匹配的高炉铁水硅含量预测
• 5.1 基于单变量的高炉铁水硅含量预测
• 5.1.1 基本原理
• 5.2 应用过程
• 5.3 参数对算法预测结果的影响
• 5.3.1 窗口长度对方法I 预测结果的影响
• 5.3.2 训练集数据量大小（%）对三种算法预测结果的影响
• 6 预测评价和预测模型选择判据
• 6.1 预测评价与模型选择问题
• 6.1.1 问题描述
• 6.1.2 常用预测评价判据
• 6.1.3 预测判据和模型选择原则
• 6.2 高炉铁水硅含量预测评价的必要性
• 6.3 高炉铁水硅含量预测结果的评价分析
• 6.3.1 评价过程和结果
• 6.3.2 科学性评价
• 6.3.3 实用性评价
• 6.3.4 简便性评价
• 6.3.5 铁水硅含量预测的评价和模型选择
• 7 结论与展望
• 7.1 结论
• 7.2 展望
• 致谢
• 参考文献
• 附录A
• 附录B 研究生在读期间发表的论文
• 独创性声明
• 学位论文版权使用授权书