基于相关性分析的时间序列数据预测优化策略研究.pdfVIP

摘要

时间序列数据是在固定的时间段内收集到各个时间点的数据，通过预测时间

序列数据集，对研究事物的历史轨迹以及对描绘事物将来的发展趋势和动态规划

都有重要的意义，为更好的实现控制和精准的做出决策提供基础依据。而时间序

列数据具有长依赖性，因此合理有效的预测网络模型选择将会对预测结果产生很

大影响，且时间序列数据在采集过程中容易受到序列噪声干扰，需要在预测过程

中对序列噪声进行处理和对预测误差进行补偿。为此本文主要从构建时序数据预

测网络模型、对序列噪声干扰进行滤波优化和设计预测误差优化策略方面展开研

究。具体研究内容如下：

（1）利用优化长短时记忆（LSTM）网络进行发电量时序数据的多步预测。

首先，利用K近邻滑动窗口对缺失数据值进行填充确保数据的完整性；然后，

利用重标极差法分析时序变量的相关性和灰色关联法计算各影响变量与发电量

之间的关联度；最后，利用优化LSTM网络对发电量序列数据预测，与几种常

见的预测网络对比，通过分析预测仿真结果表明优化LSTM网络模型对时序数

据预测效果更好。

（2）基于线性和非线性融合的时间序列去噪滤波方法。针对获取相关时间

序列数据过程中容易受序列噪声干扰的问题，通过融合线性和非线性卡尔曼滤波

器，将原非线性系统滤波问题转化为一个多模型滤波优化估计问题，计算融合滤

波器的权重，将融合后的状态估计值进行迭代，优化序列噪声，并与常见的EKF

和UKF对比取得更好的滤波优化效果。

（3）设计时间序列数据的预测误差优化策略。首先，构建通用的预测误差

模型，分析预测误差之间的相关结构函数；然后，利用承诺表示后视水平控制策

略和平均固定水平控制策略之间的差异，并设计新的在线算法优化策略承诺水平

控制（CHC）来进行预测误差的优化分析；最后，将常见的几种噪声用相关结构

函数形式表示，通过仿真图获取最佳承诺水平与竞争差异的关系来分析CHC策

略的性能完成对预测误差的优化。

关键词：时间序列，LSTM，卡尔曼滤波，预测误差，承诺水平控制

ABSTRACT

Timeseriesdataisdatacollectedatvarioustimepointsinafixedtimeperiod.

Throughforecastingtimeseriesdatasets,itisofgreatsignificanceforstudyingthe

historicaltrajectoryofthingsandfordescribingthefuturedevelopmenttrendand

dynamicplanningofthings.Provideabasisforbettercontrolandaccurate

decision-making.Thetimeseriesdatahasalongdependence,Therefore,areasonable

andeffectivepredictionnetworkmodelselectionwillhaveagreatimpactonthe

predictionresults.Inaddition,timeseriesdataiseasilyinterferedbysequencenoise

duringtheacquisitionprocess,anditisnecessarytoprocesssequencenoiseand

compensateforpredictionerrorsduringthepredictionprocess.Forthisreason,this

articlemainlyfocusesonconstructingtimeseriesdatapredictionnetw