基于历史趋势和预测误差的时序序列预测方法研究.pdf
《基于历史趋势和预测误差的时序序列预测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于历史趋势和预测误差的时序序列预测方法研究.pdf(4页珍藏版)》请在咨信网上搜索。
1、Computer Era No.9 20230 引言时序序列预测,是指根据过去的时间序列数据,预测未来一段时间内的数据变化趋势,在金融股票1、天气预报2、传感预警3等很多领域有着重要的应用。目前,时序序列预测的研究主要采取两种技术路线:一种是直接利用数据统计规律的统计学预测方法,另一种是由数据驱动的机器学习方法。前者主要有移动平均法4、指数平滑法5、差分自回归移动平均模型法6,后者机器学习方法主要有支持向量机SVM、循环神经网络RNN7、长短期记忆网络LSTM等。由于统计学预测方法只是对历史数据做统一化处理,对于非线性时间序列预测结果较差。如移动平均方法,虽然能够有效消除预测中的随机波动,但预
2、测结果总是停留在过去的平均水平而无法预测下一时刻的变化;机器学习方法一般通过数据训练所得的模型进行预测,在数据训练量小的情况下,机器学习方法无法达到理想效果,并且如果是对不同类型的时间序列预测就需要重新训练模型。此外,神经网络预测算法虽然能实现多步预测,但在像自动化控制领域这种对实时性要求较高,且需要结合当前时刻真实值对下一时刻做出修正预测的场景就不适合。一些预测算法比较适合自动化控制领域,如卡尔曼滤波算法,但其需要对系统模型已知的情况下构建状态方程和测量方程,对不同的场景无法直接迁移预测。基于以上问题,本文提出一种基于历史趋势和预测误差的时序序列自适应预测方法Historical Trend
3、sDOI:10.16644/33-1094/tp.2023.09.003基于历史趋势和预测误差的时序序列预测方法研究*郑俊褒1,张旭1,马腾洲2(1.浙江理工大学计算机科学与技术学院,浙江 杭州 310018;2.中国上海海关)摘要:针对时间序列预测方法训练复杂、迁移预测能力差等问题,提出一种自适应预测方法。先根据预测误差和当前值确定下一时刻预测值的范围,再结合短期历史趋势确定最终预测值。得到的当前预测值代入下一轮循环中继续预测,通过不断“预测校正预测”循环实现对数据预测。最后利用金融、风力等时序数据,LSTM、SVM、ARIMA、MA等经典时间序列预测算法在预测精度、迁移预测能力、运算速度等
4、方面做了对比。关键词:时序序列;盲信号;数据预测;泛化能力中图分类号:TP13文献标识码:A文章编号:1006-8228(2023)09-10-04Research on time series forecasting method based on historical trend and forecast errorZheng Junbao1,Zhang Xu1,Ma Tengzhou2(1.School of Computer Science and Technology,Zhejiang Sci-Tech University,Hangzhou,Zhejiang 310018,Chin
5、a;2.Shanghai Customs)Abstract:Aiming at the problems of complex training and poor transfer forecasting ability of time series forecasting method,anadaptive forecasting method is proposed.The range of the next forecast value is first determined according to the forecast errorand the current value,and
6、 then the final forecast value is determined by combining the short-term historical trend.The obtainedforecast value is then substituted into the next cycle to continue forecasting,and the data forecasting is achieved through acontinuous forecast-correction-forecast cycle.Using the time series data
7、such as financial and wind power,the proposed algorithmis compared with LSTM,SVM,ARIMA,MA and other classical time series forecasting algorithms in terms of forecastingaccuracy,transfer forecasting ability and computing speed.Key words:time series;blind signal;data forecasting;generalization ability
8、收稿日期:2023-03-25*基金项目:国家重点研发计划项目(项目编号:2019YFC0810900)作者简介:郑俊褒(1978-),男,浙江常山人,博士,副教授,主要研究方向:智能信息处理与大数据。10计算机时代 2023年 第9期Forecast Errors(HTFE):一方面判定近期时间序列的趋势类型(增长型、衰减型或无规则型),另一方面根据预测误差和当前真实值得到当前预测值的范围,最终通过结合序列趋势和预测范围确定最终预测值。之后通过不断重复“预测校正预测”,实现对连续状态的持续预测。相较于机器学习模型,HTFE方法实现了自适应预测,对于不同类型的一维时间序列可以直接迁移预测;相较
9、于统计学预测方法,HTFE方法通过预测误差不断地修正下一次预测的范围,从而实现对数据更精准的预测。1 HTFE模型1.1 算法原理及流程HTFE算法通过“预测校正预测”循环方式对数据进行预测,对于每一轮预测,HTFE算法首先根据最近数据的趋势将预测分为增长型、衰减型、无规律型。然后通过上一时刻预测值和时间序列当前真实值,得到预测误差,根据预测误差和当前值得到初步预测值,再根据上一时刻最大、最小预测值以及当前时刻初步预测值,更新当前时刻的最大、最小预测值,形成下一时刻的预测区间。最后根据历史趋势和预测区间得到最终的预测值,得到预测值后本轮预测结束,将当前预测值和预测区间代入到下一轮,完成下一时刻
10、的预测。通过不断循环单步预测,从而实现对数据整体预测。HTFE算法单轮预测结构如图1所示,对于每一轮预测,都会根据上一时刻的预测值Xn、预测最大值MAX、预测最小值MIN、当前真实值Xn这四个值以及最新的时间序列趋势,来确定下一时刻的预测值和预测范围。图1算法单步预测结构HTFE算法流程如下:(a)判断历史趋势:取时间序列最近h个数据,若序列单调递增则其历史趋势为增长型,若序列单调递减则为衰减型,否则为无规律型。(b)计算当前预测误差:计算上一时刻预测值xn和真实值xn的误差乘以误差因子记为预测误差n:n=(xn-xn)(c)计算初步预测值:将预测误差加上当前真实值可以得到对下一时刻的初步预测
11、值。根据历史误差n和上一时刻预测值xn更新初步预测值xpren+1。xpren+1=xn+n(d)更新预测区间:根据当前计算得到的初步预测值xpren+1和上一时刻估计的预测范围(xminn,xmaxn)更新下一时刻的预测范围(xminn+1,xmaxn+1),其中为预测区间误差因子。xmaxn+1=xpren+1+(xmaxn-xpren+1)xminn+1=xpren+1+(xminn-xpren+1)(e)调整预测范围的最大最小值:为了保证下一时刻的预测范围能够覆盖当前值,当最大预测值小于当前真实值时,令最大预测值等于当前真实值。如果最小预测值大于当前真实值,则令最小预测值等于当前真实值
12、。xmaxn+1=xn(xmaxn+1 xn)(f)计算最终预测值:根据预测最大值和最小值结合历史趋势得到下一时刻预测最终值xn+1:xn+1=xmaxn+1+xminn+1+(xmaxn+1+xminn+1)其中,,由历史趋势得出,如果趋势为增长型=1,=0,=0如果为衰减型=0,=1,=0,如果趋势无特征那么=0,=0,=0.5。(g)重复以上步骤,以滑动窗口方式直至预测结束。2 实验与结果2.1 实验数据由于不同时序数据具有不同的特点,为了评估模型在不同时序数据的表现,本文选用了国内外股票数据、风力发电数据等不同行业背景的时序数据。(a)在金融数据方面,本文采用自1993年4月30日至2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 历史 趋势 预测 误差 时序 序列 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。