基于历史误差模型和局域临域校正的预测融合算法

针对预测模型的精度随机性较大,一些数据存在残缺和不确定性,需要融合多模型的组合体来减少预测误差的问题,提出了使用改进模糊RBF神经网络(FRNN)的误差模型的"局域临域校正"的组合体预测融合方法:通过预处理的FRNN误差模型来表征每个预测模型的实时性能,在预测时,利用误差模型,使用基于权值和偏好的融合作为预测模型组合体的聚合方法,将多个预测模型在线融合并给出最终预测结果。该方法将较大的权重赋予局部性能较优的预测模型,同时消除预测偏好的影响,并在预测前预处理所需误差模型。应用结果表明,构建的预测模型其预测精度相比单一预测模型有明显优势,且具有良好的在线预测实时性,具有推广和应用的价值。