基于最小二乘支持向量机的时空序列混合预测模型及实证研究

摘要

高精度的时空序列预测是揭示区域变量空间连续分布随时间的动态变化规律及其时空演化的重要保证。
　　有效的预测技术是提高研究区域变量预测精度的关键。时空序列预测是时空数据挖掘的重要内容，但随着时空数据集体积的不断增大，传统的时间序列预测模型对不同序列间复杂的时空影响、自身非线性、参数估计对数学模型的考虑不足，很大程度上影响了预测精度。混合预测建模能够克服单一预测模型对时空序列特征考虑的不足。
　　混合预测建模是将不同的模型不同的理论融合，建立仅有一个最终预测值的模型。混合预测模型可以多角度、多方面考虑变量自身特点，并通过协同运转来提高预测精度。融合神经网络、机器学习以及时间序列分析建立混合预测模型是目前提高预测精度的重要研究方法。
　　最小二乘支持向量机有强大的拟合非线性复杂性问题能力，已被广泛应用于复杂的工程领域。由于区域变量在不同的空间点收集的数据有很大的波动，仅使用最小二乘支持向量一种训练模式，不能很好地发挥其自身的非线性特征。
　　由于时空数据集序列繁多，传统的时间序列方法仅能对一条或几条序列进行建模预测，难以满足时空序列建模的要求。基于物以类聚思想和地理学第一定律，对时空数据集进行聚类，将每一类时空序列应用最小二乘支持向量训练拟合，采用智能优化算法，建立每一类最佳的时空序列混合预测模型。这样不但能够充分拟合区域时空变量的非线性特征，而且能够很好地考虑每个监测点与空间其他相关的站点之间的影响，来提高模型的预测精度，是本文重点的研究内容。
　　长期以来，在干旱区民勤县，人们对绿洲地下水资源的不合理过度开采，导致地下水矿化度不断升高，加快了地下水水质恶化，引发一系列生态环境问题。准确预测地下水要素、采取有效的管理措施对研究区地下水资源合理的可持续开发利用有重要的实际价值。区域变量是随空间和时间变化的时空变量，时空数据分析是合理地分析与预测地下水矿化度的重要手段。
　　本文主要工作如下:
　　(1)由于地下水系统自身的复杂性，监测与实验因素的不可控性，实测数据难免会受到噪声影响，而且会产生数据缺失以及数据异常，这将对建模验证实验结果会产生很大影响。为了获得高质量的研究数据集，本文应用时空序列缺失值插补方法对研究区的时空数据集进行了插补，使用小波分析进行降噪处理，使用箱型图法处理异常值，并采用交叉验证法对相关参数进行优化选取。
　　(2)考虑时空序列的时空相关性和非线性，基于聚类思想分类建模，应用最小二乘支持向量机来拟合每一类非线性特征，对每一类序列设置不同的训练模式，建立每一类时空序列混合预测模型。
　　(3)灰狼算法拥有很好的搜索机制，本文应用灰狼算法设计了最小二乘支持向量机的两个参数优化选取过程，并根据多次的实验结果，对每一类参数设置不同的搜索范围，建立每一类最佳的时空序列混合预测模型SOM-GWO-LSSVM。本文以民勤绿洲74个监测站点获得的地下水矿化度时空序列为实验数据，实验结果表明本文所建时空序列混合预测模型相比单一的预测方法提高了预测精度。表明混合建模策略为高精度时空序列预测研究带来新的研究思路。

目录

声明

摘要

第一章 引言

1．1 选题背景

1．2 国内外研究现状

1．2．1 时空序列预测方法

1．2．2 混合预测方法

1．3 研究目的

1．4 研究方法

1．5 本文框架

1．6 小结

第二章 使用方法

2．1 时空序列构造

2．2 时空序列和人工智能混合的预测原理

2．3 箱型图

2．4 CUTOFF缺失数据的插补

2．4．1 CUTOFF思想及建模过程

2．4．2 CUTOFF参数敏感性分析

2．5 小波变换

2．5．1 小波连续变换

2．5．2 离散小波变换

2．5．3 小波降噪

2．6 自组织特征映射神经网络

2．7 支持向量机

2．7．1 最小二乘支持向量机

2．7．2 工具箱介绍

2．8 K-CV交叉验证

第三章 研究区及数据介绍

3．1 研究区介绍

3．2 研究区地下水埋深分析

3．3 研究区地下水矿化度分析

3．4 数据收集

3．5 数据集特点分析

第四章 混合预测

4．1 混合预测技术，

4．2 模型参数的敏感性分析

4．3 灰狼算法

4．3．1 社会等级

4．3．2 包围猎物

4．3．3 狩猎

4．3．4 攻击猎物

4．4 灰狼算法优化LSSVM

4．5 单一的对比模型

4．5．1 人工神经网络

4．5．2 广义回归神经网络

4．5．3 极限学习机

4．5．4 灰色预测模型

第五章 实证研究过程

5．1 异常值处理

5．2 缺失数据值的插补

5．2．1 KNN缺失值插补

5．2．2 CUTOFF及参数寻优

5．2．3 实验结果分析

5．3 SOM聚类

5．4 小波降噪

5．5 LSSVM对时空序列训练设计

5．6 建立混合预测模型及参数寻优

5．7 结果分析与讨论

第六章 结论与展望

致谢

参考文献

在读期间发表论文