学位论文 > 优秀研究生学位论文题录展示

基于误差补偿的时间序列预测方法

作　者: 王元宝
导　师: 赵珺
学　校: 大连理工大学
专　业: 控制理论与控制工程
关键词: 时间序列预测误差补偿回声状态网络支持向量机遗传算法
分类号: O211.61
类　型: 硕士论文
年　份: 2011年
下　载: 89次
引　用: 0次
阅　读: 论文下载

内容摘要

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。

全文目录

摘要  4-5
Abstract  5-8
1 绪论  8-15
  1.1 研究背景及意义  8-9
  1.2 时间序列预测  9-12
    1.2.1 含义  9-10
    1.2.2 时间序列分析  10-12
  1.3 时间序列预测建模办法  12-13
  1.4 本文研究的内容  13-15
2 时间序列预测方法  15-23
  2.1 ARIMA模型  15
  2.2 静态神经网络  15-18
    2.2.1 BP网络建模  15-16
    2.2.2 BP网络的优势与缺点  16-18
  2.3 带有动态储备池的递归神经网络  18-20
    2.3.1 ESN基本原理  18-19
    2.3.2 ESN模型参数  19
    2.3.3 ESN预测模型的优缺点  19-20
  2.4 基于核学习的回归预测模型  20-22
    2.4.1 支持向量机基本原理  20-21
    2.4.2 最小二乘支持向量机  21-22
    2.4.3 基于核学习的方法的优缺点  22
  2.5 本章小结  22-23
3 基于误差补偿的时间序列预测方法  23-31
  3.1 框架与流程  23-25
  3.2 基于ESN的粗预测  25-26
  3.3 基于LSSVM的误差补偿模型  26-27
  3.4 基于遗传算法的补偿模型样本提取  27-30
    3.4.1 训练样本选择  27
    3.4.2 基于遗传算法的样本提取  27-30
  3.5 本章小结  30-31
4 仿真实验  31-46
  4.1 混沌时间序列Mackey-Glass  31-36
  4.2 工业数据实验  36-45
    4.2.1 冶金副产煤气系统背景描述  36-38
    4.2.2 焦炉BFG使用量预测分析  38-41
    4.2.3 高炉煤气发生量预测分析  41-45
  4.3 本章小结  45-46
5 结论  46-47
参考文献  47-51
攻读硕士学位期间发表学术论文情况  51-52
致谢  52-53

基于误差补偿的时间序列预测方法

内容摘要

全文目录

相似论文