基于ELM改进层集成架构的时间序列预测研究

基于ELM改进层集成架构的时间序列预测研究

论文摘要

时间序列是指随时间变化的具有随机性且前后相互关联的动态数据序列。时间序列预测是根据已观测到的序列数据,应用一种模型或一种技术来预测该时间序列的未来值。近年来在很多方面都有应用到对时间序列的预测,例如,通信,金融,能源等等。在过去的几十年里,大量时间序列预测模型和方法被提出。经典预测方法主要依靠线性统计模型及其改进模型。但是,现实应用场景中的时间序列往往具有非线性、非平稳的特性。因此,非线性模型是更合理的选择。神经网络具有强大的非线性拟合的能力,使其成为非线性时间序列预测问题的热点之一。一系列神经网络算法的提出,为非线性时间序列预测实现提供了有力工具。但是,随着研究的深入,研究人员进一步发现发现很多描述现实场景的时间序列具有复杂性和多样性的特点,单个系统无法单独去处理,同样单个非线性模型对“多样性”问题的预测也具有局限性,导致模型的泛化性能差。为了提高模型的泛化性能,集成学习(ensemble learning)被引入时间序列预测领域。一个集成网络汇集了几个个体学习网络,以改善学习系统的泛化性能。集合方法的主要问题是考虑用于构建集合的各个网络的准确性和多样性。然而,现有的TSF问题集合方法既考虑准确性也考虑多样性,而不是同时考虑两者。针对传统的集成学习的缺陷,最近有学者提出一种基于多层感知器(MLP)的分层的集成学习结构(LEA),在构建网络时同时考虑准确性和多样性。但是该架构存在两点不足:(1)LEA是多层集成的MLP网络,势必会增加网络规模加之MLP存在天然劣势:收敛速度慢、学习时间长、易陷入局部最优等,这直接导致LEA的时间效率较差;(2)由于该结构使用了K-means算法,需要事先对K值进行设置,且对初始聚类中心的选取极为敏感,这极大的影响了其在实践中的应用。为了克服上述LEA结构的两个不足,本文将极限学习机和改进型密度峰值聚类算法引入分层集成网络中,进而提出一种基于极限学习机(extreme learning machine,ELM)的改进型分层集成网络(EILEA)。一是将ELM作为基学习器,利用其极快的学习速度和良好的泛化能力提高集成网络中单个学习器的性能,从而提高整个集成网络的性能;二是选用一种新型聚类算法-密度峰值聚类算法(DPC)替换K-means算法,该算法不需要事先指定聚类簇数K,且能识别部分复杂分布的样本点。同时针对DPC算法需要人工选取聚类中心的缺陷,提出一种一种基于拐点估计的改进型密度峰值聚类算法(IDPC),可以自主的确定聚类簇数和聚类中心,从而提高了模型的自动化水平。

论文目录

  • 摘要
  • Abstract
  • 一、引言
  •   (一)课题研究背景及意义
  •   (二)国内外研究现状
  •   (三)论文主要内容与结构安排
  •     1、主要内容
  •     2、结构安排
  • 二、相关理论基础
  •   (一)集成学习与Bagging算法
  •     1、集成学习
  •     2、Bagging算法
  •   (二)极限学习机(ELM)
  •     1、ELM的理论分析
  •     2、ELM的算法原理
  •   (三)本章小结
  • 三、基于ELM的改进层集成架构(EILEA)
  •   (一)网络架构
  •   (二)网络模型分析
  •   (三)实验研究与分析
  •     1、数据预处理与参数设置
  •     2、实验结果及分析
  •     3、偏差-方差-协方差分解分析
  •     4、算法计算复杂度对比分析
  •   (四)本章小结
  • 四、基于拐点估计的密度峰值聚类算法(IDPC)
  •   (一)密度峰值聚类算法(DPC)
  •   (二)基于拐点估计的密度峰值聚类算法(IDPC)
  •   (三)实验研究与分析
  •   (四)本章小结
  • 五、总结与展望
  • 参考文献
  • 硕士研究生期间发表论文情况
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 樊树铭

    导师: 覃锡忠

    关键词: 时间序列预测,极限学习机,集成学习,聚类,自助采样

    来源: 新疆大学

    年度: 2019

    分类: 基础科学

    专业: 数学

    单位: 新疆大学

    分类号: O211.61

    总页数: 53

    文件大小: 3667K

    下载量: 61

    相关论文文献

    • [1].基于经验模态分解生成对抗网络的金融时间序列预测[J]. 计算机应用与软件 2020(05)
    • [2].卡尔曼滤波及其在时间序列预测中的应用[J]. 仪表技术 2010(07)
    • [3].基于逆模糊数的模糊时间序列预测的新方法[J]. 数学的实践与认识 2015(07)
    • [4].一型模糊逻辑系统在时间序列预测中的应用[J]. 辽宁工业大学学报(自然科学版) 2012(05)
    • [5].基于灰色时间序列预测中国汽车销量[J]. 湖州职业技术学院学报 2012(01)
    • [6].基于加权支持向量机的金融时间序列预测[J]. 商业研究 2010(01)
    • [7].核函数支持向量机的时间序列预测应用研究[J]. 消费导刊 2008(10)
    • [8].预则立——时间序列预测技术之广电业务应用[J]. 中国数字电视 2011(10)
    • [9].时间序列预测的发展与应用[J]. 兵工自动化 2015(02)
    • [10].基于MATLAB的时间序列预测[J]. 电脑知识与技术 2015(29)
    • [11].模糊时间序列预测的连续点逆模糊数预测模型[J]. 黑龙江大学自然科学学报 2014(03)
    • [12].基于SVM的死亡率时间序列预测设计与分析[J]. 中国卫生统计 2010(01)
    • [13].基于灰关联分析的多因素时间序列预测研究与应用[J]. 漳州职业技术学院学报 2009(04)
    • [14].一种基于时间序列预测的重采策略[J]. 中文信息学报 2019(07)
    • [15].时间序列预测技术综述[J]. 信息通信 2018(11)
    • [16].基于TensorFlow的时间序列预测系统[J]. 现代计算机 2019(14)
    • [17].Granger相关性与时间序列预测[J]. 控制与决策 2014(04)
    • [18].犯罪时间序列预测分析方法研究——以CrimeStat软件为例[J]. 中国人民公安大学学报(自然科学版) 2019(02)
    • [19].基于混合模型的模糊时间序列预测的研究[J]. 辽宁工业大学学报(自然科学版) 2015(03)
    • [20].基于最小二乘支持向量机的复杂金融时间序列预测[J]. 清华大学学报(自然科学版)网络.预览 2008(07)
    • [21].对于不平衡数据的模糊时间序列预测[J]. 计算机与现代化 2017(12)
    • [22].电子系统状态时间序列预测的优化相关向量机方法[J]. 系统工程与电子技术 2013(09)
    • [23].基于多尺度层级LSTM网络的时间序列预测分析[J]. 计算机科学 2019(S2)
    • [24].混合多个SVR模型的金融时间序列预测[J]. 微型电脑应用 2013(03)
    • [25].多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用 2018(03)
    • [26].一种新的基于DFNN的时间序列预测[J]. 科学技术与工程 2010(32)
    • [27].用小波分析和支持向量机的方法预测精度损失[J]. 工业计量 2009(01)
    • [28].基于加权核函数SVR的时间序列预测[J]. 现代计算机(专业版) 2019(06)
    • [29].WFAR模型在时间序列预测中的应用[J]. 沈阳师范大学学报(自然科学版) 2019(01)
    • [30].基于改进SVC的金融时间序列预测[J]. 现代商业 2014(05)

    标签:;  ;  ;  ;  ;  

    基于ELM改进层集成架构的时间序列预测研究
    下载Doc文档

    猜你喜欢