基于STARMA时空序列预测模型研究-计算机科学与技术专业论文.docxVIP

原创性声明 本人声明所提交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所 知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表和撰写过的研究成果， 也不包含为获得信息工程大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同 志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文题目： 学位论文作者签名： 日期： 年 月 日 作者指导教师签名： 日期： 年 月 日 第 III页 学位论文版权使用授权书 本人完全了信息工程大学有关保留、使用学位论文的规定。本人授权信息工程大学可以保留 并向国家有关部门或机构送交论文的复印件和电子文档，允许论文被查阅和借阅；可以将学位论 文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇 编学位论文。 （保密学位论文在解密后适用本授权书。） 学位论文题目： 学位论文作者签名： 日期： 年 月 日 作者指导教师签名： 日期： 年 月 日 第 IV页 摘 要 时空序列是指空间上有相关关系的多个时间序列的集合，实际应用中存在大量的时空序列 如：交通流量数据、环境监测数据等。有效地分析时空序列间复杂的空间、时间关系，并在此基 础之上构建时空一体的预测模型具有重要的理论价值和现实意义。本文的主要工作如下： (1) 研究时空序列的重要性质，从建模原理和建模过程角度深入研究 STRAMA 模型；着重 研究时空自相关性和时空偏相关性，分析探讨 STARMA 模型三步迭代建模过程，并在机场噪声 数据集上验证 STARMA 模型有效性。 (2) 研究 STARMA 模型中空间权矩阵建立方法，针对一般空间权矩阵建立方法难以体现空 间变量值序列之间的相互影响的不足，以 STARMA 建模原理为基础，提出一种基于样本时空序 列的空间权矩阵建立方法。 (3) 提出基于 STARMA 模型的混合时空序列预测模型，模型基本思想是：首先用时空神经 网络捕获确定性的时空非线性趋势，然后用 STARMA 模型建模非确定性时空平稳序列，最后时 空神经网络和 STARMA 模型的预测结果进行组合。其中时空神经网络采用函数扩展和线性脉冲 响应滤波原理，将时空序列低维空间映射到时空序列高纬空间，有效地拟合时空非线性趋势。 (4) 针对 STARMA 建模过程需要以时空序列具有时空平稳性为前提，且仅能拟合其中的线 性自相关模式的不足，提出基于 STARMA 的网络模型。该模型以非线性函数代替线性组合，能 够同时捕获线性和非线性两种模式。 关键词：时空序列建模，混合时空序列模型，空间权矩阵，STARMA 网络 第 V页 ABSTRACT Space-time series are the sets of multiple time series which are location-related. In practical application, there exist a lot of space-time series, such as : traffic flow data, environmental monitoring data, etc. Effectively analyzing spatial relations and temporal relations between space-time series and constructing space-time forecasting models is essential to research space-time series. The main research contents are as follows: The important properties of space-time and three step iterative modeling of STARMA are studed. STARMA model has been tested on airport noise data set, the experiment results demonstrate the validity of STARMA model. A new method about establishing spatial weight matrix is proposed into overcome the weakness that traditional methods is hard to accurately reflect the interactions between spatial pr