论文部分内容阅读
高斯过程混合(GPM)模型近年来在机器学习领域备受关注。GPM由多个高斯过程(GP)模型依据设定的门限函数组合而成。GPM模型较之于GP模型的优势集中于两个方面:一是能够精细的描述多模态数据,二是缩短了模型参数估计时间。本文重点研究高斯过程混合模型及其改进模型在时间序列多模态预测中的应用,主要工作如下:(1)基于高斯过程混合模型的短时高速交通流量多模态预测交通流量序列具有动态性、时间相似性及非平稳随机性等特征,是智能交通管理系统(ITS)精准运行的核心保障。以往的预测模型未有以时间相似性即多模态特征为切入点实现提高预测准确度。针对上述问题,提出将GPM模型应用于交通流量预测。该模型采用分治策略,根据多模态特征将样本划分到不同组别,每组单独采用GP模型进行训练。实验结果表明:GPM模型既能通过精细拟合学习样本获取训练参数,提高多模态预测准确度,又能降低矩阵求逆计算时间。模型训练算法采用最大期望算法(EM),将EM与当前另两种GPM模型的主流学习算法Variational和LooCV进行比较,发现在参数训练时间、预测精确度及抗噪性能等方面,EM学习算法均能获得更好的效果。(2)基于稀疏高斯过程混合模型的电力负荷和交通流量多模态预测GPM模型虽然能通过分治策略降低矩阵维度减少训练时间,但对于样本过大的时间序列,训练时间依旧较长。针对此问题,提出将稀疏高斯过程混合模型(Sparse-GPM)应用于电力负荷和交通流量预测。核心改进在于将学习样本依据设定的门限函数分组后,每组借助很少的具有代表性的伪输入样本近似逼近原输入样本进行独立训练,进一步减少矩阵求逆时间。实验表明Sparse-GPM可较好的进行多模态预测,另将Sparse-GPM的三种学习算法即EM算法、Loocv和Variatonal算法在训练时间、精度、抗噪性等方面进行对比,结果表明Sparse-GPM的EM算法均能取得更好结果。(3)基于高斯过程混合模型的锂离子电池剩余使用寿命预测锂离子电池剩余使用寿命预测(RUL)与其容量退化轨迹密切相关,由于自充放电过程中存在容量可再生现象,导致容量退化轨迹呈现单调且多峰特征,将GPM模型应用于该单调多峰的时间序列预测。首先依据多峰特征对学习样本分组,然后每组通过GP模型单独训练,由此可更精准拟合多峰状态。将此模型应用于美国国家航天局(NASA)卓越故障诊断中心的商用1850型可充电锂离子电池,同时与GP模型和SVM就预测容量的准确性及剩余使用寿命方面进行对比,结果显示GPM模型相较于GP模型具有较高的计算准确度,同时与SVM相比预测精确度相当,但GPM能输出预测置信区间,提供更多的预测信息。