时间序列预测与决策的ARIMA与神经网络复合模型研讨.pdfVIP

摘 要 摘 要 在自然科学和社会科学的很多方面时间序列预测是很重要的，尤其是在前 期的决策中。对于许多决策过程来说，时间序列预测的准确性是保证这些决策 有效的必不可少的条件。因此，学者们更加热衷于提高预钡(模型的有效性的研 究。许多经济、商业和科学领域在进行决策时需要时间序列分析以研究它们的 行为。因此，在过去的数十年中，人们投入了更多的努力来发展并改进时间序 列预测模型。 由于社会、经济、金融系统本质上的复杂性，几乎不太可能基于它们的独 特的属性和假设精确地逼近模型并产生预测结果。因此，在本文的研究中，我 们采取的方法主要是不同模型的结合，以发展并改进时间序列预测模型，捕获 数据呈现的复杂模式。在预测中，模型结合的基本原理就是利用每个模型的独 有的特征来捕获数据的不同模式。 本论文探讨的内容是应用于预测和决策的统计与神经网络的混合模型。详 细地说，它是用于捕捉存在于时间序列中线性与非线性数据的Box-Jenkins自回 归累积移动平均模型与前反馈神经网络模型的混合体。本文总的目标是发展带 有真实数据集的ARIMA、神经网络与混合模型，并通过分别与该方法所用到的 原有方法的对比，确认本文所提出的这种混合模型的有效性。 本文给出的混合时间序列预测的框架，对于时间序列分析和决策制定领域 是一个很基本的贡献。基于此框架的方法能够成功地刻画并预测复杂的、混乱 的时间序列。通过配合不同的模型结合的观念，提出的这些方法克服了传统时 间序列分析技术的局限性 (包括固定性和线性需求)，以捕获数据中的复杂模 式和隐藏模式，用来分析时间序列。 在本文中，提出的混合模型的有效性由3个真实的数据集来论证:国内生产 总值，月旅游者到达量以及尼泊尔日证券交易指数。每个数据集被划分成训练 和测试两个样本，以评价不同模型预测的性能。训练数据集专门用于模型的开 发，测试数据集用于己建立模型的评价。本论文只考虑单步预测。 采用Box-JenkinsARIMA建模方法建立三组数据集的经验模型。根据统计 上有意义的5%水平下AR和MA的估计系数和优化标准来选择最适合的模型。在 人工神经网络建模中，采用了多层感知器计划。该计划采用单一输入、隐藏和 HarbinInstituteofTechnology DissertationfortheDegreeofDoctorofPhilosophyinManagement 输出层，并采用熟知的误差逆传递的学习方法进行训练。以最小预测误差为基 础，最后选择最好的神经网络模型。用于数据集估计的ARIMA和ANN模型被 用来估计样本外预测误差。 根据本次研究提出的混合模型，首先，采用ARIMA方法提取出数据集中 的线性成分，随后，开发神经网络模型对剩余的数据中的非线性成分进行提取。 最后，通过叠加ARIMA和ANN模型的输出数据来获得棍合预测结果。为了比较 混合模型的相对有效性，这里采用混合模型相对于ARIMA组件和ANN组件的百 分率来比较。采用测试数据集对通常使用的两个性能指标，即平均绝对误差和 根均方误差，进行估计，其估计值用于比较各模型的样本外预测误差。 通过对估计误差进行比较来评价各个模型的预测性能。用于三个数据集的 最好的混合模型的根均方预测误差是3.65%到28.27%，该误差比混合模型的各子 模型的相应误差值都小。这表明神经网络模型的采用显著提高了预测精度。 拟合优度检验的决策相关系数 (R2)也被用来度量混合模型的预测精度。 国内生产总值、月旅游者到达量以及尼泊尔日证券交易指数的决策相关系数 (R2)的估计值分别为0.9835,0.650,0.9671。这一结果表明，混合模型对国内 生产总值、月旅游者到达量以及尼泊尔日证券交易指数的预测具有更高的精度。 预测能力较差的主要原因在于模型中存在很多的参数和季节变化对数据的影 响。 通过具有创新性的混合模型框架的研究，这篇论文在时rInj序列预测和决策 领域做出了独创性和基础性的贡献。一般的，混合模型利用了ARIMA和ANN两 模型在确定不同数据模式方面所特有的性质与优势，从而降低了预测序列表现 混乱的风险。通常，这一模型可以应用于许多时间序列相关问题，我们希望采 用这一模型可以大大地改善预测性能。实际上，由混合模型预测获得的更精确 的统计数据可以