基于混合自回归模型和神经网络的时间序列预测.pdfVIP

基于混合自回归模型和神经网络的时间序列预测1 1 2 武俊峰 ，江其保 1 东南大学数学系, 南京, 210096 2 东南大学数学系, 南京, 210096 E-mail （awublack@126.com ） 摘 要： 在求出混合自回归时间序列模型的成分个数的基础上, 应用 BP神经网络对时间序 列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应 用前景。 关键词：混沌时间序列; BP神经网络; 混合自回归时间序列模型. 1 引 言 在时间序列分析中，线性回归模型是最常用的一种模型。在假定模型的噪声为正态分 布时，时间序列的边缘分布和条件分布都服从正态分布。所以，线性回归模型有着很好的性 质。但是，在实际中，很多数据的并非服从这样的分布。比如，在股票市场上，股票价格有 时会周期性地在某些时间段内变化波动特别大. 对于这样的数据，用通常的线性模型拟合效 果就会很差。为了解决这样的问题，人们提出了很多非线性回归模型来拟合数据。Wang and Li(2000)[1]提出的混合自回归模型(MAR)就是一种非线性时间序列模型. 模型的定义如下： K x −φ −φ x −Lφ x F (x | F ) ∑α =Φ( t k 0 k1 t −1 kpk t −pk ) t t −1 k k 1 σk 记作MAR (K ; p , p , Lp ) .这里F (x | F ) 是F 在已知过去信息情况下的条件分布, F 是 1 2 k t t −1 t t 到达时刻 t 时刻获得的信息，α +Lα 1,α =0,k 1,LK . 之所以把这个模型称作混 1 K k 合自回归模型(MAR),是因为它实际上是 K 个自回归模型的混合。也就是有 K 个自回归时间 序列模型 2 φ +φ +φ x +L+φ x +ε N (0,σ ),k 1, LK k 0 k 0 k1 t −1 kpk t −pk kt 以概率α 来自于第 k 个模型。 k 针对未知成分个数和回归阶数的混合模型,Mu and Jiang[2] 在贝叶斯框架下利用 DBMCMC 方法[3]确定了成份个数和回归阶数,但要使其有很好的预测性需要有较多的计算. 鉴于神经网络强大的非线性映射能力, 完全可以通过它来学习时间序列, 然后进行预测. 2 时间序列的重构 对于时间序列x , x ,Lx ,L可以适当选取嵌入维数 m 和时间延滞τ 重构相空间. 1 2 n - 1 - X (t ) [x (t ),x (t +τ),x (t +2τ) L,x (t +(m −1)τ)],i 1,2,