基于群智能算法的時間序列預測方法研究.pdf

1、時間序列預測被廣泛應用于社會科學、自然科學、人類思維探索等多個領域，具有廣泛的應用價值。模型參數(shù)的最優(yōu)估計方法是時間序列預測研究的重點，經(jīng)典參數(shù)估計方法采用一組參數(shù)進行估計，對估計結(jié)果不進行評估和優(yōu)化，預測精度往往達不到要求。本文在對群體智能尋優(yōu)機制的研究基礎上，重點研究基于群智能的參數(shù)估計方法，并將其應用到一元時間序列和多元時間序列預測中。
　　 針對最小二乘參數(shù)估計法計算量大，逆矩陣難以求解，無法滿足動態(tài)系統(tǒng)的實時性。遞推最

2、小二乘估計雖有改進，但隨著遞推的進行，存在累計誤差導致結(jié)果發(fā)散的缺陷。本文提出基于群智能的時間序列預測模型(Swarm Intelligence Time Series Forecasting Model，STFM)。群智能算法借鑒了遞推估計思想和粒子濾波的群集尋優(yōu)模式，不依靠嚴格的數(shù)學模型，以概率方式進行搜索，同時具有較強的全局尋優(yōu)搜索性能。通過群智能算法解決粒子濾波的粒子退化問題，從而提高預測精度。
　　 將群智能的時間序列

3、預測模型應用于一元時間序列預測，以Memetic算法和螢火蟲優(yōu)化算法為例，進行模型參數(shù)的最優(yōu)估計。同時，綜合不同群智能算法的尋優(yōu)機制，提出了增加局部搜索算子和動態(tài)步長的改進螢火蟲優(yōu)化算法，并將螢火蟲優(yōu)化算法和粒子濾波進行融合，改善粒子濾波的重要性采樣過程。仿真實驗表明STFM相比傳統(tǒng)算法，提高了預測精度。
　　 針對多元時間序列數(shù)據(jù)之間相互影響，規(guī)律復雜，本文對多元時間序列預測進行研究，將群智能的時間序列預測模型應用于多元時間序