多任務學習在時間序列預測中的研究及應用.pdf

1、時間序列是一種常見的數(shù)據(jù)結構，廣泛地存在于人類社會活動和客觀世界中。時間序列預測旨在依據(jù)時間序列中隱含的內在變化規(guī)律建立數(shù)學模型，挖掘其隱含的時間演變關系，從而實現(xiàn)對序列未來發(fā)展趨勢的預測。深入分析來源于不同觀測事物的時間序列數(shù)據(jù)，挖掘蘊含的可用信息，對辨識事物發(fā)展趨勢、刻畫事物間的相關特性以及對事物變化的決策與把控等有重要的實際意義。目前，基于數(shù)據(jù)驅動建模的時間序列預測方法可分為全局模型和局部模型。由現(xiàn)實世界得到的時間序列數(shù)據(jù)往往具有

2、強非線性和不確定性等特點，這就使得傳統(tǒng)的預測模型難以有效建模，從而限制了模型的預測精度?；谌繗v史數(shù)據(jù)建模的全局模型雖然方法簡單，但是對于序列中的異常值有較高的敏感性。針對上述問題，本文提出了一種基于云模型相似性度量的局部建模方法，并結合BP神經網絡（BPNN）和最小二乘支持向量機（LS-SVM）建立預測模型，可有效提高序列的預測精度。
　　本研究主要內容包括：⑴分析了幾種常見時間序列相似性度量方法的優(yōu)勢和不足，并對兩種不同類型

3、的時間序列預測方法進行了對比；⑵針對原始時間序列數(shù)據(jù)具有非線性、復雜性以及不確定性等問題，采用云模型理論對原始序列以及一階差分處理后的序列同時進行時間序列表示；⑶針對傳統(tǒng)距離函數(shù)難以有效度量包含不確定性因素的數(shù)據(jù)，提出了基于云模型相似性度量的局部建模方法，并采用BPNN和LS-SVM建立預測模型進行建模和預測；⑷針對單任務學習方法在處理時間序列中存在的信息挖掘不充分、預測精度低等問題，在提出的局部建模方法的框架下，將多任務學習用于時間序