增量学习算法及其在时间序列预测中的应用研究

论文摘要

时间序列预测（Time Series Prediction,TSP）作为一个热门的研究领域,其具有非常高的实际应用价值。作为机器学习中的一个研究分支,增量学习是比较擅长处理流数据的,而时间序列正是一种典型的会随时间而改变的流数据,所以增量学习非常适合用于解决时间序列预测的相关问题。本文主要提出了两种新型的增量学习算法用于处理时间序列预测问题。首先,本文将增量学习框架与增量式支持向量机（Incremental Support Vector Machine,ISVM）结合了起来,提出了一种新的用于解决时间序列预测问题的算法,即双增量学习（Double Incremental Learning,DIL）算法。ISVM是在支持向量机（Support Vector Machine,SVM）基础之上发展出来的,其比较适合用于处理时间序列预测这类在线连续学习问题。在DIL算法中,ISVM是被用作基学习器,而且DIL通过将现有基模型与在新数据上生成的基模型相结合的方式来实现增量学习。在DIL算法中提出了一种新颖的权重更新规则,用于在每次迭代过程中更新样本的权重。此外,DIL采用了一种经典的方法来集成所有基模型。DIL算法继承了ISVM和增量学习的诸多优点,所以其对时间序列进行预测时能够取得较为理想的预测效果。在六个基准时间序列数据集上的实验结果也证实了,与其他现存的优秀算法相比,DIL具有更好的预测性能。针对DIL算法中的不足,本文做出了一些改进,并将改进后的算法称为双权重优化增量学习（dual weights optimization Incremental Learning,w2IL）算法。w2IL采用的基学习器是增量式极限学习机（Incremental Extreme Learning Machine,IELM）。相对于DIL算法,w2IL的改进主要有两处,这也是它的两个主要创新点,即提出了样本权重自适应初始化（Adaptive Samples Weights Initialization,AdaSWI）和自适应加权预测器集成（Adaptively Weighted Predictors Aggregation,AdaWPA）两个子算法。AdaSWI子算法根据已生成的基模型的预测误差自适应地初始化样本权重,并根据从样本到基模型训练集的距离对样本的权重进行微调,从而获得更合适的初始化权重。而AdaWPA算法基于待预测的实例自适应地调整所有基模型的权重并将它们集成。此外,AdaWPA在进行距离测量时使用到了模糊C均值（Fuzzy C-Means,FCM）聚类算法,这进一步降低了算法的计算复杂度和所需的存储空间。相比于DIL算法和其它现存的算法,w2IL的性能得到了显著提升,在六个真实数据集上的实验也进一步验证了这一点。

论文目录

文章来源

类型: 硕士论文

作者: 李锦华

导师: 戴群

关键词: 时间序列预测,增量式支持向量机,增量学习,双增量学习算法,增量式极限学习机,双权重优化增量学习算法

来源: 南京航空航天大学

年度: 2019

分类: 基础科学,信息科技

专业: 数学,自动化技术

单位: 南京航空航天大学

分类号: TP181;O211.61

DOI: 10.27239/d.cnki.gnhhu.2019.001587

总页数: 89

文件大小: 2781K

下载量: 164

相关论文文献

• [1].基于在线增量学习支持向量机的径流预测[J]. 水利科技与经济 2017(07)
• [2].三支决策朴素贝叶斯增量学习算法研究[J]. 计算机工程与应用 2020(18)
• [3].一种新的类增量学习方法[J]. 计算机工程与应用 2011(34)
• [4].实现兼类样本类增量学习的一种算法[J]. 控制与决策 2009(01)
• [5].基于在线增量学习的自适应聚焦爬虫研究[J]. 计算机应用与软件 2009(05)
• [6].基于超球支持向量机的类增量学习算法研究[J]. 计算机科学 2008(08)
• [7].基于目标均衡度量的核增量学习跌倒检测方法[J]. 计算机应用 2018(04)
• [8].基于最小二乘支持向量机的特征增量学习算法[J]. 计算机工程与科学 2008(12)
• [9].一种改进的种群增量学习算法求解带软时间窗的车辆路径优化问题[J]. 南京理工大学学报 2016(01)
• [10].云计算平台上基于选择性集成的增量学习研究[J]. 南京邮电大学学报(自然科学版) 2012(05)
• [11].基于本体增量学习的主题爬行[J]. 长春工程学院学报(自然科学版) 2010(04)
• [12].适用于连续数值标签的兴趣漂移增量学习方法[J]. 北京航空航天大学学报 2009(09)
• [13].多特征增量学习的视频重建图像质量增强算法[J]. 华南理工大学学报(自然科学版) 2018(12)
• [14].具有增量学习能力的智能孤岛检测方法[J]. 电力自动化设备 2018(05)
• [15].支持增量学习的文本单类别分类算法[J]. 计算机工程与应用 2008(27)
• [16].基于增量学习的非平衡SVM分类方法[J]. 计算机与现代化 2018(07)
• [17].支持向量机在线增量学习算法的MATLAB实现[J]. 江汉大学学报(自然科学版) 2016(05)
• [18].一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版) 2018(04)
• [19].一种基于局部敏感哈希的SVM快速增量学习算法[J]. 计算机科学 2017(S2)
• [20].一种面向硬件木马检测的SVDD增量学习改进算法[J]. 计算机工程与应用 2019(09)
• [21].基于选择性抽样的SVM增量学习算法的泛化性能研究[J]. 计算机测量与控制 2019(04)
• [22].基于子空间距离的局部切空间增量学习[J]. 武汉科技大学学报 2019(05)
• [23].基于群体增量学习算法的第三方物流网络设计[J]. 辽宁工业大学学报(自然科学版) 2018(03)
• [24].一种SVDD增量学习淘汰算法[J]. 计算机工程与应用 2018(18)
• [25].增量学习的模糊风格K平面聚类[J]. 控制与决策 2020(09)
• [26].一种具有增量学习能力的PU主动学习算法[J]. 计算机工程 2011(04)
• [27].动态的SDN网络流量模式增量学习算法[J]. 中南民族大学学报(自然科学版) 2018(02)
• [28].自适应的SVM增量算法[J]. 计算机科学与探索 2019(04)
• [29].基于典型样本的卷积神经网络增量学习研究[J]. 电子测量技术 2018(06)
• [30].基于增量学习和Lasso融合的数据可视化模式识别方法[J]. 高技术通讯 2018(01)

标签：时间序列预测论文;  增量式支持向量机论文;  增量学习论文;  双增量学习算法论文;  增量式极限学习机论文;  双权重优化增量学习算法论文;