基于统计信号处理的时间序列预测模型选择方法研究
目录
摘要.................................................................................................................................. I Abstract ............................................................................................................................... I I
第1章绪论 (1)
1.1 课题来源及研究的目的和意义 (1)
1.2 国内外研究现状及分析 (2)
1.2.1 时间序列特性分类研究现状 (2)
1.2.2 基于统计信号处理的时间序列预测模型研究现状 (4)
1.2.3 预测模型自适应选择及优化选择研究现状 (9)
1.3 本文的研究内容与结构 (11)
第2章时间序列特性分类研究 (13)
2.1 时间序列特性指标体系构建 (13)
2.2 时间序列分类体系构建 (15)
2.3 时间序列分类体系验证实验及分析 (16)
2.3.1 时间序列长记忆性融合判断方法验证及分析 (17)
2.3.2 时间序列分类体系验证及分析 (18)
2.4 本章小结 (20)
第3章统计预测模型特性研究 (21)
3.1 统计预测模型及其特性分析 (21)
3.2 预测模型与数据特性匹配关系构建 (27)
3.3 本章小结 (40)
第4章时间序列预测模型选择及更新机制 (42)
4.1 时间序列预测模型选择机制 (42)
4.1.1 时间序列预测模型选择机制总体框架 (42)
4.1.2 最优模型定性选择机制 (44)
4.1.3 最优模型定量选择机制 (45)
4.1.4 实验验证及分析 (55)
4.2 时间序列预测模型适用性评价及更新反馈机制 (59)
4.3 本章小结 (61)
第5章基于统计信号处理的时间序列预测软件 (62)
5.1 软件概述 (62)
5.1.1 软件需求分析及功能概述 (62)
5.1.2 软件使用流程 (62)
5.2 软件总体设计方案 (63)
5.2.1 软件运行所需环境 (63)
5.2.2 总体设计方案 (63)
5.2.3 混合编程技术实现 (64)
5.3 软件详细设计 (65)
5.3.1 自定义资源配置模块设计 (65)
5.3.2 时间序列基本呈现及数据准备模块设计 (67)
5.3.3 时间序列特性判断及分类模块设计 (69)
5.3.4 最优预测模型选择模块设计 (70)
5.3.5 时间序列预测模块设计 (72)
5.3.6 预测效果评价模块设计 (73)
5.3.7 结果输出呈现处理模块设计 (73)
5.4 软件功能测试 (74)
5.4.1 软件功能测试方案 (74)
5.4.2 软件功能测试与结果分析 (75)
5.5 本章小结 (80)
结论 (81)
参考文献 (82)
攻读硕士学位期间发表的论文及其它成果 (90)
哈尔滨工业大学学位论文原创性声明和使用权限 (92)
致谢 (93)
附录 (94)
哈尔滨工业大学工学硕士学位论文
第1章绪论
1.1 课题来源及研究的目的和意义
时间序列广泛存在各个领域中，如股票数据、航天飞行器设备测试数据等都是典型的时间序列。时间序列预测方法建立在对历史记录数据的特性分析基础上，通过构建时序模型来对历史记录数据随时间变化所表现出的特征进行模型化，并借助一定的规则实现对未来时刻数据的外推预测[1]。时间序列预测能够实现对系统内部特征未来发展规律的预测，可以提供辅助决策参考信息。此外，时间序列预测对于判断和预报系统内部潜在故障具有重大参考价值，可以避免灾难性故障的发生。
然而，并不存在一种预测方法能够适用于任意特征的时间序列，同一预测模型对于不同特征的时间序列表现出的预测能力的差异十分明显[2]。时间序列预测方法与时间序列特征之间存在着某种对应关系，使得一种预测方法只能对具备某些特性的时间序列实现准确而可靠的预测。因此，选择一个合理的预测模型对于获得可靠的预测结果、使预测结果充分发挥参考价值至关重要。
近年来，越来越多的研究围绕着时间序列预测方法的改进而展开。这些研究主要通过对历史数据记录进行特性分析，针对当前模型无法有效处理的时间序列特征对模型进行改进，实现预测效果的提升。然而，这种研究方式所利用的历史数据资料往往来源于离线测试数据，而这种数据资源获取的时间相对于预测模型应用对象时间序列的获取时间的时间间隔往往较大。并且，时间序列预测算法改进研究周期较长，也会造成从研究算法改进到改进算法应用到实际预测问题中的整体周期较长的问题。随着时间的流逝，由于系统自身特性的变化、环境变化等影响因素，时间序列往往容易出现一定程度的特性变化，甚至与历史时间序列资料的特性完全不同。因此，基于历史数据资料改进所获得的改进模型在很大程度上可能无法适用于真正有着预测需求的时间序列。此外，在当前的研究中一般由研究人员基于个人专业背景知识和少量实验分析完成预测模型的选择。这样，由于专业知识差异、选择判断标准不同等个体差异性主观因素，往往会对模型选择的结果及改进算法的性能产生一定影响。最后，由于这种研究方式需要丰富的知识储备和充分的实验验证，实现难度较大且无法保证改进算法的可移植性，因此，这种研究方式往往无法直接进行工程应用。可以看出，当前时间序列预测方法研究体系难以直接应用，暂无法为实际的预测问题提供一种有效的解决方案。
前期，本课题组进行了大量改进时间序列预测算法研究，基于已有数据基础