模型的评价及推广.pdfVIP

八、模型的评价及推广

8.1模型的优点

（1）本文构建的多维泰勒网的时间序列预测模型通过局部逼近来拟合数据，对于

局部数据的波动和噪声有较好的适应性。并且在每个局部区域进行优化，有助于提高局

部预测的精度。还可以与其他预测模型结合使用，提高预测的准确性。

（2）本文选用的SARIMA模型可以有效地捕捉时间序列数据中的季节性变化。它

比ARIMA模型更加灵活，可以处理具有季节性的时间序列数据，适用于各种领域的季

节性时间序列数据分析，能够对具有复杂季节性的数据进行更好的调整。

（3）基于卷积神经网络（CNN）的前兆特征识别模型，通过其深度多层结构，能够

有效地从连续时间序列数据中自动提取关键特征，实现端到端的学习和识别。该模型利

用权值共享和稀疏连接减少了参数数量，提高了训练效率，并通过激活函数实现了对数

据的非线性变换，增强了模型的自学习和自适应能力。此外，模型能够提供及时的预警

信息，并通过AUC值进行标准化的性能评估，以及通过模型校准进一步提高预测的准

确性。概率预测功能为决策者提供了量化的风险评估依据。

8.2模型的不足

（1）本文构建的多维泰勒网的时间序列预测模型为了获得最佳的预测效果，需要

调整多项式的阶数和模型的其他参数，这可能会导致调参过程复杂。

（2）尽管CNN模型在自动特征提取和学习方面表现出色，但其对计算资源的高需

求可能限制了在资源受限环境中的应用。模型的“黑箱”特性导致决策过程缺乏透明度

和解释性。此外，模型性能高度依赖于训练数据的质量和数量，且存在过拟合的风险，

特别是在数据量不足时。模型参数的调整和优化过程复杂，需要大量的实验和调整。实

时性方面，模型预测可能存在延迟，且其泛化能力需要在更广泛的数据集上进行验证。

数据预处理步骤的设计对模型性能有显著影响，而概率预测的准确性也可能受到模型限

制和数据量的影响。

8.3模型的推广

（1）本文构建的多维泰勒网的时间序列预测模型还可以应用于金融市场、能源消

[19]

耗、交通流量、气象预报及供应链管理等领域。

（2）本文选用的SARIMA模型可用在零售行业中用于季节性销售数据的预测和分

析；也可用于预测季节性旅游目的地的客流量，帮助旅游规划和管理；还可用于季节性

生产计划中的需求预测，帮助制定生产计划和库存管理。

1

参考文献

[1]S.伯恩斯坦，R.伯恩斯坦.统计学原理.上册，描述性统计学与概率[M].科学出版社，

2002.

[2]朱世刚.综放工作面煤岩性状识别方法研究[D].北京：中国矿业大学（北京），2014..

[3]孟宪锐，王鸿鹏，刘朝晖，等.我国厚煤层开采方法的选择原则与发展现状[J].煤炭科

学技术2009,37(1)：39-45.

[4]StrangeAD.RobustThinLayerCoalThicknessEstimationUsingGroundPenetrating

Radar[D].QueenslandUniversityofTechnology,2007..

[5]G.B.Dantzig.LettertotheEditor—ACommentonEdie’s“TrafficDelaysatToll

Booths”[J].OperationsResearch，1954，2:339-341

[6]K.R.Baker.Workforceallocationincyclicalschedulingproblems:asurvey[J].Operational

ResearchQuarterly，1976，27:155-167.

[7]ShiauJiunYanandHuangMingKungandHuangChuYi.AHybridPersonnelScheduling

ModelforStaffRosteringProblems[J].Mathematics，2020，8(10):1702-1702..

[8]秦剑秋,郑建荣,