基于误差补偿的时间序列预测方法

论文摘要

在时间序列预测问题的研究中,人们通过不同的方法对时间序列预测问题进行建模。不同的建模方法针对不同的问题有着各自的优势,同样存在着不足。随着社会信息化程度的提高,人们对于预测精度的要求起来越高,这就对时间序列预测模型的性能提出了更高的要求。本文通过对时间序列预测模型预测误差的研究,发现预测模型的误差与进间序列的动态特性具有很大的相关性。根据这一特性,提出一种基于预测误差补偿的时间序预测方法。首先利用能够较好反映时间序列动态特性的回声状态网络(ESN)对时间序列进行初步预测,之后利用最小二乘支持向量机(LSSVM)的方法对预测模型进行补偿：在误差补偿建模过程中,为减小噪声数据对误差补偿模型的影响,本文采用基于单亲遗传算法来选择训练样本,来提高误差补偿模型的性能。在混沌时问序列预测问题及实际的工业数据的仿真实验中,分别采用了多种预测方法对问题进行粗预测。利用LSSVM模型对初步预测模型的预测结果进行补偿,其补偿后的结果在精度上均有提高。由实验结果可知,基于误差补偿的方法取得了理想的预测效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景及意义
• 1.2 时间序列预测
• 1.2.1 含义
• 1.2.2 时间序列分析
• 1.3 时间序列预测建模办法
• 1.4 本文研究的内容
• 2 时间序列预测方法
• 2.1 ARIMA模型
• 2.2 静态神经网络
• 2.2.1 BP网络建模
• 2.2.2 BP网络的优势与缺点
• 2.3 带有动态储备池的递归神经网络
• 2.3.1 ESN基本原理
• 2.3.2 ESN模型参数
• 2.3.3 ESN预测模型的优缺点
• 2.4 基于核学习的回归预测模型
• 2.4.1 支持向量机基本原理
• 2.4.2 最小二乘支持向量机
• 2.4.3 基于核学习的方法的优缺点
• 2.5 本章小结
• 3 基于误差补偿的时间序列预测方法
• 3.1 框架与流程
• 3.2 基于ESN的粗预测
• 3.3 基于LSSVM的误差补偿模型
• 3.4 基于遗传算法的补偿模型样本提取
• 3.4.1 训练样本选择
• 3.4.2 基于遗传算法的样本提取
• 3.5 本章小结
• 4 仿真实验
• 4.1 混沌时间序列Mackey-Glass
• 4.2 工业数据实验
• 4.2.1 冶金副产煤气系统背景描述
• 4.2.2 焦炉BFG使用量预测分析
• 4.2.3 高炉煤气发生量预测分析
• 4.3 本章小结
• 5 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢