基于最小二乘法粒度决策演化模型预测方法.docVIP

基于最小二乘法粒度决策演化模型预测方法 　　摘 要：粗糙集理论是一种处理不确定知识的数学工具，目前在时间序列数据的研究已经取得了一定的成果，但这些研究都停留在静态表的基础上，在实际应用中有着明显的局限性。该文研究多粒度时间序列下各个粒度所产生的决策间的相互关联性，在粒度决策演化模型的基础上，利用最小二乘法设计了新的预测方法，通过实例验证了算法适合于该模型的预测，具有良好的效果。 　　关键词：粗糙集；时间序列；静态表；粒度决策演化模型；最小二乘法 　　中图分类号：TP18 　　利用粗糙集理论[1]对形成的静态决策表信息系统[2，3]进行属性约简和规则提取是一个有效处理数据的方法。文献[4]虽然在决策信息表中考虑到了时态属性，但仍然落脚在静态表上，没有研究决策信息表的演化性；在时态数据方面，文献[5-8]在时间序列数据挖掘和预测相关领域进行了研究。针对具有时间序列特征的决策表信息系统，引入多重时间粒度[9]，并对其性质和发展趋势进行研究，建立了粒度决策演化模型。有关文献研究了移动平均和回归分析算法，但移动平均的数据拟合度不太好，回归分析的计算比较复杂。因此本文在粒度决策演化模型的基础上，结合最小二乘法[10]设计了模型的预测方法，相对于回归分析[11]，该算法降低了复杂度，提高了数据的拟合度。 　　1 相关理论 　　本部分主要是粒度决策演化模型的定义和性质，具体的定义和性质参考文献[12，13]。 　　定义1：在时间点Xi、Xi+1下，设决策信息系统SXi=（U，CXi∪DXi），SXi+1=（U，CXi+1∪DXi+1），SXi的值域分别为VcXi和VdXi；SXi+1值域分别为VcXi+1和VdXi+1，其中c∈CXi+1，d∈DXi+1，若满足： 　　（1）CXi+1=CXi； 　　（2）DXi+1=DXi； 　　（3）VcXi+1=VcXi； 　　（4）VdXi+1=VdXi； 　　则称决策信息系统SXi到决策信息系统SXi+1的变化为同源演化；否则称为多源演化。 　　定义2：设决策信息系统S在时间序列上相邻的两个粒度区间为gi和gi+1，由gi和gi+1得到具有相同决策属性值的决策规则分别记为Decision_lgi和Decision_lgi+1，gi+1相对于gi的属性继承度InA（gi+1|gi）（简称属性继承度）记为： 　　（1） 　　其中，?Decision_lgic⌒Decision_lgi+1c?表示Decision_lgi+1和Decision_lgi中具有相同条件属性c的个数，?Decision_lgi?表示Decision_lgi的所有条件属性的个数。 　　定义3：设决策信息系统S在时间序列上相邻的两个粒度区间为gi和gi+1，由gi和gi+1得到具有相同决策属性值的决策规则分别记为Decision_lgi和Decision_lgi+1，gi+1相对于gi的属性值继承度InAV（gi+1|gi）（简称属性值继承度）记为： 　　（2） 　　其中，?Decision_lgi+1cv⌒Decision_lgicv?表示Decision_lgi+1和Decision_lgi中具有相同条件属性并且属性值相同的条件属性cv的个数。 　　定义4：设由粒度gi推出的决策规则Decision_l中存在条件属性c，c相对于决策规则Decision_l的支持度Sup_D（c|Decision_l）（简称属性支持度）记为： 　　（3） 　　其中，?Decision_lc?表示条件属性c在所有决策属性值为Decision_l的决策规则中出现的次数，?Decision_l?表示所有决策规则的总数。 　　定义5：设由粒度gi推出的决策规则Decision_l中存在条件属性c，属性值为cv，则条件属性c的属性值cv相对于决策规则Decision_l的支持度Sup_DV（cv|Decision_l）（简称属性值支持度）记为： 　　（4） 　　其中，?Decision_lcv?表示条件属性c所对应的属性值cv在所有决策属性值为Decision_l的决策规则中出现的次数。 　　定义6：对决策规则所有的Decision_l的支持度Sup_D（c|Decision_l）=1的条件属性组成的集合称为决策规则Decision_l的属性支持核，记为coreS（Decision_l）。 　　定义7：对决策规则所有的Decision_l的属性值支持度Sup_DV（cv|Decision_l）=1的条件属性值组成的集合称为决策规则Decision_l的属性值支持核，记为coreSV（Decision_l）。 　　性质1：决策规则Decision_l的属性支持核在时间点Xi和Xi+1分别为coreSXi（Decision_l）和coreSXi+1（Deci