基于特征选择的多因素时间序列预测模型研究

摘要

自然和社会经济现象中存在大量的非线性、高维特征的复杂时间序列，这些时间序列预测作为认识和决策的依据，具有重要的现实意义。近年来，随着社会各领域相互渗透和影响，导致自然、社会经济领域的多因素时间序列的维数激增。然而，传统的统计分析方法在处理非线性问题时存在很多缺陷，传统的神经网络方法在处理高维特征的时间序列时效率和效果都不理想，原因是高维特征的时间序列中隐含了大量的不相关和冗余信息，降低了神经网络的分析精度和效率。因此对高维特征的时间序列进行特征选择是非常必要的。本文将特征选择和RBF神经网络时间序列预测结合起来，提出基于PRN的组合特征选择算法的多因素时间序列预测模型，以提高预测的效率、精度和泛化能力。 本文主要工作如下： （1）研究了公认较好的特征评估Relief算法，分析了它的不足，提出了改进的用纵横双向压缩冗余数据和与学习算法结合的组合特征选择算法。分析了该组合特征选择算法分别在分类和回归问题中的使用。 （2）分析了多因素时间序列数据的特点，提出将用于回归问题的RreliefF特征选择算法应用于多因素时间序列的特征选择。并提出改进的PRN组合特征选择算法。 （3）在研究RBF神经网络时间序列预测和PRN组合特征选择算法基础上，建立了基于PRN组合特征选择算法的多因素时间序列预测模型。

目录

文摘

英文文摘

论文说明：插图清单、表格清单

独创性声明及学位论文版权使用授权书

致谢

第一章绪论

1.1引言

1.2时间序列预测模型概述

1.2.1传统时间序列预测模型概述

1.2.2RBF神经网络的时间序列预测模型概述

1.3特征选择概述

1.3.1特征选择的概念

1.3.2特征选择和学习算法的关系

1.3.3典型特征选择算法介绍

1.3.4特征选择的研究现状及方向

1.4研究内容和组织结构

第二章基于RBF神经网络的多因素时间序列预测

2.1人工神经网络概述

2.1.1人工神经网络的发展

2.1.2神经元的工作原理及神经网络特点

2.1.3应用状况及研究方向

2.2RBF神经网络概述

2.2.1径向基函数（RBF）

2.2.2RBF神经网络结构

2.2.3RBF神经网络的特点及应用领域

2.2.4RBF网络存在的问题及研究现状

2.3RBF神经网络的学习算法

2.3.1RBF网络中心的确定

2.3.2RBF网络权值的调整

2.3.3最近邻聚类学习算法

2.4基于RBF神经网络的多因素时间序列预测

2.4.1基于神经网络的时间序列预测

2.4.2基于RBF神经网络的多因素时间序列预测

2.5基于特征选择的RBF神经网络多因素时间序列预测

2.5.1多因素时间序列的特征选择

2.5.2基于特征选择的RBF神经网络多因素时间序列预测

2.6本章小结

第三章组合式特征选择算法

3.1Relief系列算法

3.1.1算法介绍

3.1.2算法性能分析

3.1.3算法改进

3.2组合式特征选择算法

3.3PRN组合式特征选择算法

3.4PRN组合式特征选择算法应用于多因素时间序列预测实验及分析

3.5本章小结

第四章基于PRN组合式特征选择算法的多因素时间序列预测模型

4.1基于PRN组合式特征选择算法的多因素时间序列预测模型

4.1.1模型设计原理

4.1.2模型设计步骤

4.2仿真实例研究

4.3本章小结

第五章总结与展望

5.1总结

5.2进一步研究

参考文献

攻读硕士学位期间发表的论文