基于智能计算的预测模型研究及其在公共危机管理中的应用

摘要

预测问题是一个被广泛关注的研究课题，在各个领域都有众多学者提出各种各样的预测模型来解决现实世界的实际问题。本研究中的预测问题可以分为两类，第一类是时间序列预测，第二类是结合地理信息系统(GIS)的时空分析。　　时间序列预测模型主要分为线性模型和非线性模型，线性模型代表的方法有ARMA、ARIMA模型，这些模型能够根据数据进行动态调整，实现预测精度的提高，但是它们无法对数据波动的各个因素进行全面分析，因而预测精度会受到影响。非线性模型的典型代表是人工神经网络模型，它具有很强的并行计算能力，且能够以任意精度逼近任何非线性连续函数，因此其在预测领域得到了广泛的应用，但是其容易出现过拟合现象和陷入局部最小值。混沌粒子群算法（Chaos Particle Swarm Optimization，简称CPSO）是一种基于群体智能的进化计算技术并融合了混沌思想，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解，群体智能技术被广泛地应用到优化领域，其可以有效地寻找全局最优解。因此，本研究以上述两种智能计算方法为基础，提出了以混沌粒子群优化BP神经网络的混合预测模型(CPSO-BP)，并从以下两方面深入研究提高模型的预测精度：　　1）混合模型的参数选择。通过大量实验深入剖析了智能寻优算法与神经网络结合的混合算法的性能，用实验证实了如果模型参数选择不合适，混合模型的预测能力未必比单一预测模型要好，因此在CPSO-BP模型的基础上提出了两种输入样本数据选择方式及预测模型输入参数的确定方法，从而使预测模型达到最优状态。　　2）样本数据的处理。在前面研究基础上，从样本数据的处理入手，将小波变换的思想融入混合预测模型，进一步发挥模型的预测能力并保证模型的稳定性。　　在时空分析预测方面，本研究提出了投影的思想：其核心思想就是将复杂的问题简单化，实现由N维空间向多个一维空间的映射，既降低了计算难度，又降低计算时间，进而降低算法的时间复杂度。本文在此基础上提出了基于投影思想的层次聚类热点分析模型，并从理论层面深入讨论了算法的时空复杂度，该模型既包含了RNNH预测准确的特点，同时在时间复杂度上优于K-means算法。　　本研究以公共危机事件预测模型构建为研究对象，已建立面向服务架构的公共危机管理案例知识库系统平台为目标，从理论和实践两方面实现对公共危机管理预测模型的研究。　　基于上述研究背景，本研究建立了三个模型应用场景：　　1）考虑到地震发生的不确定性、H1N1爆发地方的分散特性以及犯罪地点发生的不确定性，本研究将投影思想和层次聚类思想相融合，提出了基于投影的热点分析预测模型，并将该预测模型成功应用到奥克兰犯罪分析、美国地震数据分析、H1N1发生热点分析以及全球地震数据分析中。　　2）以能源危机为研究背景切入点，本研究将上述提到的基于参数选择的混沌PSO优化BP神经网络模型应用到风速预测中，通过实验结果分析，验证了预测模型的有效性。　　3）考虑流感数据预测的重要性，本研究将基于小波分析的混沌PSO优化BP神经网络模型应用到美国、加拿大、澳大利亚和南非四个国家的流感预测中，并从预测准确度和算法稳定性上进行了说明。　　本研究的主要成果及贡献如下所示：　　1)发展了集合论在预测领域的应用，并将其作为基础分析工具成功应用到基于SOA的公共危机管理案例知识库系统平台中。　　2)在时空分析领域中，提出基于投影思想的层次热点分析预测模型，并将此模型成功应用到传染病预测、犯罪分析和地震热点分析中。　　3)引入两种新的基于智能计算的模型，并将这两个模型成功应用到风速预测和流感预测中，并对模型的有效性进行了验证。　　4)构建了基于SOA的公共危机管理案例知识库系统平台，将预测模型成功应用到实际工程领域中。

目录

第一个书签之前