基于商拓扑结构的序列构成和预测.pdfVIP

基于商拓扑结构的序列构成和预测1 1 1,2 1,2 1 1,2 1,2 何富贵 ，张燕平 ，赵姝 ，杨雪洁 ，陈洁 ，张铃 1安徽大学计算智能与信号处理实验室，安徽 合肥 230039 2安徽大学人工智能研究所，安徽 合肥 230039 E-mail:fuguihe@163.com 摘要：将具有一定相关性的多个时间序列作为整体进行研究，即对多变量时间序列分析，这 将有利于更好地了解各时间序列的特性。故对于时间序列的预测问题，本文综合考虑具有相 关性的时间序列，这些相关性的时间序列在商空间模型中，依据信息的相关性，综合利用多 个相关序列提供的信息对其中一个序列进行预测，使信息不完备的影响通过商空间理论中的 分解和合成法尽可能的减小，从而获得尽可能多的准确信息和规则。所以，这种对问题的解 决方式是一种合理的方法。相关的实验数据表明了这种方法的有效性。 关键词：商空间、商拓扑、时间序列、预测模型 1.引言 对于随时间变化的动态数据，在建立动态系统模型时习惯地选择时间进程，即时间作为 基本自变量的分析方法，构成时间序列。选取一定的时段依次形成序列固然方便，但这可能 掩埋了事物内在的拓扑关系。为此，本文依据对象论域的商拓扑结构，来考虑时间序列的构 成，将需要预测的因素作为决策属性处理，相关的关联因素作为序列的条件属性，按决策属 性与条件属性影响的时间顺序，按一定的时段来构成序列，相关的实验数据表明了这种方法 的合理性和有效性。 [1] 在时间序列分析中，马军海博士利用指数自回归成功地进行了经济混沌时序的预测 ， 同时混沌吸引子的内在行为具有相当的不规则性及混沌吸引子具有十分复杂的几何结构。故 一般来说，不同的混沌实测数据应该建立不同的混沌模型。由于混沌现象具有对初始条件的 敏感依赖性，只要初始条件稍有差别或微小扰动，则会使系统的最终状态出现巨大的差异。 因此，混沌系统的长期演化行为是不可预测的。当用基于BP 神经网络来实时地预测时序时， 其结果不是很理想，主要是由传统的神经网络的学习算法而引起的，从而影响预测模型的可 靠性和准确性。 小波神经网络是在小波分析的基础上提出的一种前馈网络，由于它引入了两个新的参变 量，即伸缩因子和平移因子，所以小波神经网络具有比小波分解更多的自由度，从而使其具 有更灵活有效的函数逼近能力，在塔式分解并选择性重构、滤波的基础上，留下时间序列的 [2] 主要趋势 ，为之后的神经网络训练并预测作了准备工作，经过筛选恰当的各个参数，通过 小波神经网络能达到较佳的预测效果。但小波分析虽然可平滑变化曲线，去除干扰信号，但 对多维因素影响产生的结果，却难于同时反映多个因素共同作为产生的结果。 1本课题得到973计划（2004CB318108）、国家自然科学基金60475017)、教育部博士点基金 （20040357002）、安徽省教育厅重点自然科学研究（2006KJ015A）、安徽省自然科学基金项目（0504200208）、 安徽省教育厅自然科学研究项目 (2005kj053) 资助。 -1- 现实世界的许多事件不是孤立的，相互间往往具有一定的联系。例如空气质量的变化、 股票价格的波动等，所形成的序列之间都具有一定的相关性，目前人们已经认识到，复杂的 实际问题需要智能系统对各种不同来源的信息进行综合。将具有一定相关性的多个时间序列 作为一个整体进行研究，即进行多变量时间序列分析，这将有利于更好地了解各时间序列的 特性。因此对于时间序列的预测问题，本文综合考虑具有相关性的时间序列，这些相关性的 时间序列在商空间模型中，依据信息的相关性，一部分是作为同一粒度下依据论域的时间拓 扑关