时间序列的重分形交叉相关分析及其预测方法

论文摘要

如何描述和理解复杂系统是十分艰巨的任务,但我们可以通过研究由复杂系统产生的时间序列来间接研究复杂系统。本文首先研究时间序列的重分形交叉相关性。我们提出研究重分形交叉相关性的新方法——多重分形统计矩交叉相关分析(MFSMXA)法。为了对比说明其分析效果,采用多重分形去趋势波动分析(MFXDFA)和多重分形去趋势滑动平均分析(MFXDMA)作为对比方法。随后分析了四类时间序列的重分形交叉相关性。其中两类是人工生成数据：二元自回归分数求和滑动平均模型(二元ARFIMA)和重分形二项方法(MFbs)生成的序列对,两模型都具有分形性的理论表达,三种方法得出的标度指数τxy接近于其对应的理论值,但MFSMXA方法分析效果最好,与理论曲线最为接近,MFXDMA次之,MFXDFA较差。另两类是实际序列,其中一类为金融时间序列,分析结果说明两个股票市场的波动指数序列间具有重分形特性,且MFSMXA和MFXDMA有相似的分析结果；一类为交通流量和速度序列对,同样分析出其具有重分形性,在q≤O时,三种方法分析结果相似；在q≥0时,MFSMXA和MFXDMA分析结果接近,MFXDFA有偏移。在分析了时间序列间的重分形交叉相关性后,我们主要针对交通时间序列提出双模式K近邻非参数回归(BKNN)模型,它基于K近邻非参数回归(KNN)模型改进而来。我们使用北京北三环附近站点采集的交通速度进行预测,并引进KNN模型、PKNN模型(KNN模型的修改模型)、季节自回归求和滑动平均(SARIMA)模型以及人工神经网络(ANN)模型作为对比模型,发现BKNN模型给出了最好的短时预测结果,最稳健,应用前景广阔。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 引言
• 1.1 交叉分析方法研究
• 1.2 多重分形的几个重要概念
• 1.3 论文体系框架和主要内容
• 2 重分形交叉分析方法研究
• 2.1 多重分形统计矩交叉相关分析
• 2.2 多重分形去趋势交叉相关分析
• 2.3 多重分形去趋势滑动平均交叉相关分析
• 3 几类时间序列的重分形交叉相关性
• 3.1 二元ARFIMA过程
• 3.2 多重分形二项方法
• 3.3 金融时间序列
• 3.4 交通时间序列
• 4 时间序列的预测方法研究
• 4.1 双模式K近邻非参数回归
• 4.1.1 K近邻非参数回归
• 4.1.2 模型的改进
• 4.1.3 BKNN算法
• 4.2 数据说明
• 4.3 模型过程及预测效果比较
• 5 结论
• 参考文献
• 作者简历
• 学位论文数据集