一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

较短的长序列时间序列预测模型

针对现有的研究大多将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测时精度较低的问题,提出一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和PBUSM(Probsparse Based on Uniform Selection Mechanism)自注意力机制搭建一个序列到序列(Seq2Seq)结构,用于提取长序列输入的特征;其次,设计“远轻近重”策略将多个短序列输入特征提取能力较强的长短时记忆(LSTM)模块提取的各时段数据特征进行重分配;最后,用重分配的特征增强提取的长序列输入特征,提高预测精度并实现时序预测。利用4个公开的时间序列数据集验证模型的有效性。实验结果表明,与综合表现次优的对比模型循环门单元(GRU)相比,SLTSFM的平均绝对误差(MAE)指标在4个数据集上的单变量时序预测分别减小了61.54%、13.48%、0.92%和19.58%,多变量时序预测分别减小了17.01%、18.13%、3.24%和6.73%。由此可见SLTSFM在提升较短的长序列时序预测精度方面的有效性。

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法

在进行多变量长时间序列预测时,仅利用时域分析通常无法充分捕捉长时间序列依赖,而这会导致信息利用率不足、预测精度不够高。因此,结合频域时域分析,提出一种基于离散傅里叶变换(DFT)的频率敏感双分支多变量长时间序列预测(FSDformer)方法。首先,通过DFT实现时间和频率的相互转换,从而将复杂的时间序列数据分解为结构简单的低频趋势项、中频季节项和高频余项3个分量;其次,采用双分支结构,针对中高频分量预测,应用Encoder-Decoder结构,设计了周期性增强注意力机制;针对低频趋势分量预测,采用多层感知机(MLP)结构;最后将中高频分量与低频分量预测结果相加,得到多变量长时间序列的最终预测结果。在2个数据集上把FSDformer与其他5个经典算法进行了对比分析,在Electricity数据集上,当历史序列长度为96,预测序列长度为336时,相较于Autoformer等对比算法,FSDformer的平均绝对误差(MAE)下降了11.5%~29.1%,均方误差(MSE)下降了20.9%~43.7%,达到了最优预测精度。实验结果表明,FSDformer能有效捕捉长时间序列的相关依赖,在提升预测精度和计算效率的同时,增强了模型预测的稳定性。

量子自注意力神经网络的时间序列预测

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型(MQSAPN)用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多(如时间窗加长、特征变量规模增加等),其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。

融合趋势嵌入和粒度增强网络的小样本医学时间序列预测

随着大数据分析和深度学习的迅猛发展,时间序列预测方法被广泛应用于医学、金融、气象和交通等领域,为众多应用任务提供决策支持.针对小样本医学数据特征维度低和现有深度学习方法易于造成过拟合问题,研究小样本医学时间序列预测任务,提出融合趋势嵌入和粒度增强网络的预测方法.首先在卷积神经网络的框架下,粒度增强网络分别从时间维度和特征维度将医学时间序列数据提升为三维张量;然后以医学时间序列样本的一阶差分作为方向向量,基于方向导数生成趋势嵌入表征;再构建静态空间邻接矩阵和动态时间邻接矩阵,并通过时空图卷积网络学习时空嵌入表征;最后将构建的时空嵌入、预测嵌入和趋势嵌入整合到基于图卷积网络、门控循环单元和残差网络的网络架构之中,实现医学时间序列预测.在Cancer,ILI,Baries和COVID-19这4个数据集上的实验结果表明,与预测结果最佳的基线模型T-GCN相比,所提方法在每个数据集的MAE,MAPE和RMSE这3个评价指标上分别降低34.0607,0.0107,70.6728;11.1808,0.0950,20.7285;0.3546,0.1127,0.4553和449.2437,0.0144,1174.7273,其性能优于基线方法,验证了该方法的可行性及有效性.

基于iTransformer模型的金融时间序列预测

金融时间序列的准确预测是经济政策制定者和投资者密切关注的焦点。本文选用工商银行作为金融时间序列的代表,用一种新颖的神经网络模型iTransformer对工商银行的股票价格进行预测。同时,将统计模型ARIMA、神经网络模型LSTM和Transformer作为对照组,比较了不同模型在不同时间范围内预测的准确性。实证结果显示,iTransformer确实适用于股票价格的预测,在短期、中期和长期这三种不同的预测区间内,其精度普遍优于对照组的预测模型。

基于渐进式分解架构的风电时间序列预测

准确预测风电机组各项指标对准确管控机组和调控电网的供需有着重要意义.预测指标任务可抽象为风电时间序列预测任务.目前时间序列预测模型主要采用深度学习模型,但是风电时间序列具有较强的波动性和随机性,导致绝大部分模型不能较好挖掘风电时间序列的复杂演化特性.为解决上述问题,提出了一种基于渐进式分解架构的风电时间序列预测方法,该方法首先应用神经网络池化分解方法将复杂的依赖关系简化并应用注意力机制学习长期趋势,然后运用多变量融合捕捉模块增强了网络整体的多变量关联挖掘能力,最后,融合趋势项和周期项对风电时间序列做出准确的预测.实验结果表明,该方法在风电时间序列的多步预测中均方误差相比基线模型至高可提升24%,在多尺度预测长度下表现出预测性能稳定提升的同时,计算效率显著优于同类模型.

基于时间序列预测的停车泊位调度算法

针对现有停车方法存在停车冲突和停车泊位利用率低问题,提出一种基于时间序列预测的停车泊位调度算法。算法利用Holt-Winters模型预测月租车辆在下一时段的停车流量;采用两种停车泊位调度策略,即月租服务优先策略和动态分配策略,在保证月租车辆的停车服务质量的前提下,动态规划可用停车泊位的泊位类型。实验结果表明,在不同数量的停车泊位和月租用户条件下,采用该方法比现有停车方法具有更高的累积利用率,可以有效提高写字楼停车场的利用率。

时间序列预测模型发展趋势分析

时间序列预测是当前研究的主要方向之一,能有效解决工业、交通等领域的工艺指标和客流量预测问题。通过分析现有的时间序列模型,可以预测未来的发展趋势。首先,分析现有时间序列预测模型的结构,以了解其技术实现方式;其次,根据技术手段的不同,将模型分为优化提升类和创新类;最后,讨论了时间序列预测模型的未来发展趋势。

基于贝叶斯推断的层次化时间序列预测

层次化时间序列预测在当今社会起着重要的作用,但由于其本身的复杂性导致这项研究的挑战性较大。本研究聚焦于将贝叶斯推断应用于自回归移动平均(autoregressive integrated moving average,ARIMA)模型与3种池化模型(完全池化、无池化、部分池化)的组合,来优化多层次时间序列预测,并利用合成数据集验证层次结构对预测准确性的提升效果。本研究对项目相关理论知识做了介绍,分析了项目模型的实现方法。实验结果表明:部分池化模型表现最优,且短期数据集的预测效果更佳。证实了层次结构能增强预测准确性,且对短期时间序列效果尤为显著。本研究丰富了ARIMA与池化模型组合的研究,为时间序列预测提供了新视角和方法论支持。

基于时间序列预测模型的中国城乡收入差距预测研究

我国城乡收入差距较大,这一现象影响社会稳定、制约经济增长、阻碍共同富裕、加剧教育资源不均、影响公共服务均衡性。研究我国城乡收入差距对于推动经济社会发展、实现共同富裕、提高社会公平性、优化政策制定以及维护社会稳定等方面具有重要意义。通过深入研究,可以为政府和社会各界提供科学的决策参考,促进城乡协调发展,实现更加和谐的社会环境。已知我国城乡收入比远高于美国等OECD成员国的城乡收入比(1.25以下),为了深入研究我国城乡收入差距发展趋势,本文通过建立数学模型研究,结合相关文献数据且基于时间序列预测模型的模型建立、模型求解去预测什么时限我国可达到OECD成员国城乡收入比的基本水平。在研究过程中,通过查找2013~2019年的城乡收入比数据,构建时间序列预测模型对未来的发展进行预测,并结合基于我国东部、中部以及西部地区2017~2021年的泰尔指数,利用基准分析模型和门限面板回归模型结合相关发展经济学的理论及库兹涅兹提出的倒“U”型分析发现,我国城乡收入差距在波动中呈逐步扩大的趋势并体现出阶段性特征中影响城乡收入差距的因素,通过调节变量使得城乡居民收入比低于1.25。研究得出,在乡村振兴战略和数字经济持续推进的条件下,人力资本、创新活力、城镇化水平将不断提高,政府需要加大对教育科研的投入力度,以及财政农业投入占比;在农业方面引入数字化手段;出台有关政策鼓励外商在农村进行投资;经过24年我国城乡居民收入比可达到美国等OECD成员国的基本水平。

基于机器学习和时间序列预测的企业风险分析

中小微企业是经济发展的重要推动力之一,建立一套合理有效的信贷策略,从而解决中小微企业的融资问题。基于此,通过TOPSIS法建立中小微企业的信贷风险模型,使用时间序列模型预测企业未来发展实力,进而对企业的信贷风险做出了合理的预测,考虑突发因素(如新冠疫情)对企业经济发展的影响,为银行制定了放贷策略。

基于双重注意力机制改进的DA-LSTM时间序列预测模型

为了提高时间序列预测的精确度和收敛速度,提出一种基于双重注意力机制改进的DA-LSTM时序预测模型。通过引入注意力机制重构LSTMcell结构,减少模型参数提高收敛速度;自注意力层对各时间步的输出计算自注意力权重,充分利用细胞记忆信息,提高预测精度。在Beijing PM2.5和SML2010数据集上,所提出的模型相较于LSTM在均方根误差(RMSE)上分别降低4%和25.4%,相比其他基准方法也有明显提升。

基于GOSSA和HMM的时间序列预测算法

时间序列具有非线性和不稳定性等特点,当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战,其预测精度无法保证.基于此,本文提出一种基于全局最优的麻雀搜索算法(Globally Optimal Sparrow Search Algorithm,GOSSA)和隐马尔可夫模型(Hidden Markov Model,HMM)相融合的时间序列预测模型(GOSSA-HMM).根据隐马尔可夫模型在模式识别和分类上的优势,对原始数据做差值处理并划分类别属性,以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练,以解决参数训练过程中存在的收敛速度慢,对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段,利用改进之后的隐马尔可夫模型测算每段序列走势的概率,从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析,结果表明与当前主要时间序列预测算法相比,GOSSA-HMM训练的参数较少,计算成本较低,具有更好的预测精度和泛化能力.

基于最大信息挖掘广域学习系统的混沌时间序列预测

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出一种基于最大信息挖掘广域学习系统的混沌时间序列预测模型。为了有效地捕捉混沌系统的线性信息,引入一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以兼顾历史状态信息。通过非线性随机映射将特征映射到增强层从而充分挖掘非线性信息。引入层叠机制促进了动态建模中信息的传播,实现了特征的再激活。在四个大规模数据集上的实验结果表明,提出的方法具有更好的预测精度和更少的计算代价,验证了该方法可以在大规模动态系统建模中获得更好的预测结果。

融合全局和序列特征的多变量时间序列预测方法

时间序列在现实生活中具有广泛的用途,使用时间序列预测模型能够预估序列的未来变化趋势,为决策提供支撑.对于多变量时间序列的预测研究,已经提出了很多模型,但已有方法存在如下问题:不能同时考虑时间序列本身和协变量的信息;忽略了多变量时间序列中的全局信息;不能对预测结果进行解释.针对这些问题,本文提出了一个基于深度学习的多变量时间序列预测模型TEDGER,可以提取隐藏在单个时间序列中的序列模式和隐藏在多变量时间序列中的全局特征,并将序列模式和全局特征进行融合,通过残差预测的方式实现时间序列的预测.本文所提模型在真实的时间序列数据集上进行了实验评估.结果表明,本文提出的模型在预测准确度上超越了其他基准模型,同时模型拥有一定的可解释性.

基于时间序列预测的物料生产安排问题分析

为了优化企业的物料生产安排,文章以2022年高教社杯全国大学生数学建模竞赛E题为研究背景,以总需求量、需求的总频数、平均销售单价和平均增长率为评价指标,建立TOPSIS熵权法评价模型对物料评分,选出应重点关注的六种物料,对选择的物料进行时间序列预测,建立预测值、库存量和生产计划的动态方程,制订出6种物料第101周—177周的生产计划,然后以总利润最大、平均库存最接近于安全库存和平均缺货量最小为目标函数,建立多目标线性规划,得到调整后的生产计划。结果表明,文章制订的生产计划和调整计划能满足服务水平的要求和达到库存量与服务水平之间的平衡。

基于深度学习的时间序列预测方法综述

时间序列预测通过分析时间序列找到其内在规律性对未来发展进行预测,其研究有着重要的学术意义和应用价值.特别随着传感器和网络技术的发展,如何基于大量历史时序数据进行更加精准和高效的预测分析成为了需要解决的迫切问题.时间序列预测任务充分借鉴了深度学习的技术研究成果,在近些年取得了快速发展.本文分析了时间序列预测技术的研究现状,论述了时间序列预测所涉及到深度学习方法的相关理论和方法,包括卷积神经网络、循环神经网络、注意力机制和图神经网络等方法在时间预测领域的应用,归纳总结近年来基于深度学习的时间序列研究成果,比较了基于各种深度学习时间序列方法的优缺点,在此基础上对基于深度学习时间序列预测方法的发展进行了展望.