一种基于元学习框架的时间序列预测方法

摘要

针对现有时间序列预测方法采用单一预测器模式存在预测能力不足等问题,从多预测器融合角度出发,在元学习领域叠加归纳策略指导下,提出了一种基于元学习框架的时间序列预测方法。首先,立足于方法时效性和问题适用性,改进了分层集成模型;然后,通过增加优化选择过程,采用BPSO算法筛选基预测器,以控制模型规模,并消除预测能力差的预测器的不利影响。在Mackey-Glass混沌时间序列上验证了所提方法的有效性,在某型飞机发动机飞行参数预测实验中,选出KELM改进型方法和DES算法中整体性能最好的2种方法(FARF-OSKBIELM和DES-PALR)与所提方法进行比较。比较结果表明,所提方法在4个监测项目上的平均训练时间分别缩短了77.48%和33.91%,平均预测精度分别提升了28.86%和72.26%。