时间序列预测模型及其算法研究

论文摘要

在自然科学和社会科学各领域中，大量决策问题离不开预测，预测是决策的基础。解决预测问题的最有力的方法是发现、揭示给定动态过程或现象背后的规律。实际中，有关事物的信息经常是不完全的，有关的理论也是不完善的，人们对事物的了解仅限于观测数据，即时间序列，因此只能利用现有的历史数据构造模型，进而预测未来。 本文首先介绍了时间序列预测目前采用的方法与各种预测模型，介绍了这些方法与模型的性质特征，总结出目前的方法与模型在处理非线性系统的预测方面的特点与需要改进的一些方面；然后介绍了近些年兴起的神经网络尤其是前馈神经网络（BP神经网络）在非线性预测模型方面的应用及表现出来的良好的特性与优势，同时也指出BP神经网络预测模型及其在训练算法方面的一些固有缺陷：BP神经网络是一种静态的网络，没有时间处理能力，所以不能进行时间序列模式的识别；标准BP算法收敛速度慢、易落入局部极小点。针对这些缺陷，本文提出采用线性AR预测模型良好的对时间序列的模式识别能力来进行识别，构造出具有代表性的样本训练神经网络；同时在分析了标准遗传算法的主要缺点的基础上，对标准遗传算法（SGA）进行了改进设计，然后用改进的遗传算法（IGA）来优化网络的初始权阈值，最后采用L-M（Levenberg-Marquardt）BP算法来进行网络的训练与寻优。这样，既运用了AR模型良好的模型辨识能力，又发挥了神经网络良好的非线性映射能力，还综合了遗传算法的全局优化能力，从而使构造的预测模型更加实用、特性更好。 本文将所构造的模型与所设计的算法应用到都江堰灌区渠首岷江上游来水预测中，并通过大量的实验与仿真，实验结果表明，本文所设计的模型与算法

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题提出及意义
• 1.2 研究现状
• 1.3 人工神经网络与遗传算法发展概述
• 1.4 主要工作和内容安排
• 1.5 本章小结
• 2 理论基础
• 2.1 引言
• 2.2 线性ARMA模型和最优预测器
• 2.2.1 线性ARMA（p,q）模型
• 2.2.2 最优预测器
• 2.2.3 最优AR（p）预测器
• 2.3 人工神经网络
• 2.3.1 人工神经网络基本概念
• 2.3.2 人工神经网络的模型
• 2.3.3 人工神经网络的分类
• 2.3.4 人工神经网络的运行过程
• 2.3.5 BP神经网络及其学习算法
• 2.3 遗传算法
• 2.3.1 遗传算法基本概念与特点
• 2.3.2 遗传算法的基本思想和构成要素
• 2.3.3 遗传算法的基本理论
• 2.4 本章小结
• 3 NARBP预测模型研究
• 3.1 引言
• 3.2 AR模型辨识
• 3.2.1 AR模型阶次辨识
• 3.2.2 AR模型参数辨识
• 3.3 预测模型及结构确定
• 3.3.1 预测模型选择
• 3.3.2 BP预测模型结构确定
• 3.4 NARBP预测模型
• 3.4.1 NARBP预测模型的建立
• 3.4.2 NARBP预测模型的实现
• 3.5 本章小结
• 4 NARBP预测模型算法优化设计
• 4.1 引言
• 4.2 标准BP算法改进
• 4.3 GA与BP相结合算法
• 4.4 SGA的改进方式
• 4.4.1 SGA的主要缺点
• 4.4.2 SGA的改进方式
• 4.5 IGA-NARLMBP预测模型算法优化设计
• 4.5.1 IGA算法设计
• 4.5.2 BP神经网络的编码描述方法
• 4.5.3 IGA—NARLMBP模型优化算法设计步骤
• 4.5.4 IGA-NARLMBP模型算法流程图
• 4.6 本章小结
• 5 应用与仿真研究
• 5.1 引言
• 5.2 课题背景简介
• 5.3 数据分析
• 5.4 模型构建及仿真
• 5.4.1 水文预测精度评定标准
• 5.4.2 AR模型
• 5.4.3 NARBP模型
• 5.4.4 IGA—NARLMBP模型
• 5.4 各模型仿真结果比较
• 5.5 本章小结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 作者攻读硕士学位期间科研成果简介
• 致谢