论文部分内容阅读
时间序列预测在社会生活和科学研究中发挥着举足轻重的作用,可以为决策分析与政策制定提供重要的理论依据和强有力的数据支持,是当前大数据分析与管理科学领域的研究重点与难点。如何有效地挖掘事物的发展规律和变化趋势,并对事物的未来状态进行合理的估计与推测,进而深入理解和掌握所研究问题的演化规律与机制机理是一项既具有重要意义又富有挑战性的任务。而作为学术界的研究热点,如何建立行之有效的预测模型实现时间序列的有效预测是时间序列预测研究的核心创新点。大量研究表明,没有一个最佳的预测方法可以适用于所有的情形,且单一的预测模型忽视了数据预处理和优化等对于提升模型预测性能的重要性,往往会导致较差的预测结果,不能提供有效的预测信息。这意味着,以弥补单一预测模型的不足之处为出发点,充分发挥不同方法的独特优势,开展具有“取长补短”优良特性的混合预测方法研究,可以为时间序列预测研究提供一个崭新的创新视角。因此,本文将主要研究工作集中于时间序列预测技术创新,期望构建一个预测性能优良且适用范围广的预测方法论。在当前单一预测模型局限性突显而混合预测方法成为时间序列预测研究中新兴发展趋势的背景下,本文将模块化和框架化的建模理念引入时间序列预测研究,以神经网络模型为基础,建立了一系列行之有效的时间序列预测框架,弥补了现有研究中的不足之处,进一步提高了预测模型的性能。为了验证所建立的一系列混合预测框架的有效性和优越性,将所建立的混合预测框架应用于具有重要研究价值和实际意义的能源市场研究中,进行实证研究与对比分析,并展开深入讨论,最终合理地验证了建立的一系列混合预测框架在实际应用中可以有效地进行时间序列预测,具有广泛的应用前景。本文开展的时间序列预测研究既具有理论意义,又具有现实意义。从理论方面看,本文的研究可以解决现有研究中存在的一些问题,丰富了时间序列预测领域的相关研究,为相关领域研究人员提供参考和借鉴;从实际应用方面看,本文的研究具有重要的现实意义。一方面,本文的研究成果成功应用于能源市场预测中,可以为决策者提供重要的参考依据,帮助决策者做出正确的决策;另一方面,本文的研究成果也可以应用于其它领域的时间序列预测研究中,对于解决现实世界中更多的实际问题具有重要的应用价值。本文共分为六个部分:第一章介绍了预测及其意义、时间序列预测、研究思路与主要研究内容以及本文的主要创新点与不足之处。第二章以主要预测方法为出发点,归纳了时间序列预测研究中主要的预测技术,继而,以时间序列预测研究的实际应用为立足点,从能源市场出发,对不同指标数据背景下的时间序列预测研究进行剖析和述评。此外,引入预测性能评价指标、显著性评估指标和有效性评估指标对时间序列预测模型进行评估。第三章建立了基于分解与重构策略的混合预测框架,实证研究表明所建立的混合预测框架在能源市场的电力需求指标、电力价格指标和风速指标预测中具有优异的预测性能。第四章对单一的数据预处理算法进行了研究,并提出了一种新的数据预处理策略——混合数据预处理策略,最终成功地建立了基于分解与预测策略的混合预测框架,实证研究表明该混合预测框架在能源市场的电力价格指标预测中具有理想的预测表现。第五章提出了一种新的集成策略,并将其应用于时间序列的确定性预测与不确定性分析研究中,最终成功地建立了基于分解-预测-集成策略的混合预测框架,实证研究表明该混合预测框架在能源市场的风速指标预测中具有良好的预测效果。第六章对上述研究工作进行总结,并展望了未来的研究方向。本文研究工作的主要观点与结论包括以下五个方面:首先,人工神经网络模型已经成为时间序列预测领域发展最为迅速的方法,但是单一的人工神经网络模型存在一些固有的缺陷,不能很好地进行时间序列建模与预测,在很大程度上限制了自身的发展与应用。为了弥补单一预测模型的不足之处,充分发挥不同方法的优势,以神经网络模型为基础,本文基于不同策略建立了一系列混合预测框架,并对预测框架进行模块化处理:构建数据预处理模块对原始数据进行预处理,降低原始数据的非线性和非平稳性特征,从数据角度出发提升混合预测框架的性能;构建优化模块对基准预测模型进行优化,为建立性能最优的预测模型提供支持,从模型角度出发提升混合预测框架的性能;选择一种性能优良的基准预测模型与优化模块相结合构建预测模块,进一步提高混合预测框架的性能。其次,本文探讨了数据预处理模块在时间序列预测中的研究与应用。为此,本文构建了一系列数据预处理模块,并将其应用于时间序列预测研究中,有效地降低了原始数据的非线性和非平稳性特征。在第三章中,引入改进的带有自适应白噪声的完全集合经验模态分解算法构建数据预处理模块,去除了原始数据中的噪声信息;在第四章中,提出了一种新的数据预处理策略——混合数据预处理策略构建数据预处理模块,克服了单一数据预处理算法的缺陷;在第五章中,引入变分模态分解算法构建数据预处理模块,为下一步的建模与预测提供支持。通过与其它算法进行对比,验证了所构建的数据预处理模块的优越性,为推动数据预处理技术的相关研究做出贡献。再次,本文探讨了优化模块在时间序列预测中的研究与应用。为此,本文引入多目标蜻蜓算法、多目标灰狼优化算法和多目标樽海鞘群算法分别构建优化模块,并将其应用于时间序列预测研究中,克服了传统的单目标优化算法存在的缺陷,为解决混合预测框架中的多目标优化问题提供支持。通过与多种优化算法进行对比,验证了所构建的优化模块的优越性,为推动多目标优化算法的相关研究做出贡献。接下来,本文分析了系列混合预测框架中基准预测模型的选择与改进问题。为此,本文引入了两种性能优良的神经网络模型作为基准预测模型,其一为Elman神经网络,具有记忆功能,可以更直接、更生动地反映系统的动态特性;其二为极限学习机模型,具有参数易选择、学习速度快、泛化能力好以及不容易陷入局部最优等优点。然后,根据确定性预测与不确定性分析的优化目标设定目标函数,与性能优异的优化模块相结合构建最优的预测模块,进一步提高了混合预测框架的预测性能。最后,本文以能源市场为背景,探讨了所建立的一系列混合预测框架在不同指标背景下的应用。实证研究考虑了不同时间、不同地点以及不同季节等因素对于模型预测性能的潜在影响,选取了多样化的实验数据,保证了模型对比的公平性以及实验结论的可靠性。最终,结果表明所建立的一系列时间序列预测框架在实际应用中取得了理想的预测结果,不但弥补了现有研究中的不足之处,而且相对于其它对比模型具有显著的优越性,可以成功地实现时间序列的有效预测。本文的主要创新点如下:第一,不同于以往只建立一个混合预测模型,本文首次提出模块化和框架化的建模理念,并基于此提出了一系列混合预测框架进行时间序列预测研究,在实际应用中取得了理想的预测结果;第二,本文重在策略研究,而非提出某一个具体模型来解决某一问题。系列混合预测框架的研究既是循序渐进,又是互相独立的,可以根据不同的应用场景,选取一种或多种框架解决实际问题;第三,本文以多目标智能优化算法为主线,引入不同的多目标优化算法构建优化模块,克服了传统的单目标优化算法存在的缺陷,为解决混合预测框架中的多目标优化问题提供支持;第四,本文通过与多种数据预处理算法进行对比分析,并根据具体的混合预测框架建立最优的数据预处理模块,确保可以有效识别和提取时间序列数据的主要特征;第五,除了选取多种评价指标对预测模型在时间序列预测的性能进行评价,本文还对预测模型的显著性和有效性、重要构件及建模策略的优越性等问题进行了深入讨论。本文的不足之处如下:第一,本文仅仅关注于单一变量时间序列预测研究,而在未来的研究中,可以进行基于多因素的时间序列预测框架研究;第二,以能源市场为背景,将所建立的一系列时间序列预测框架应用于不同指标数据的短期预测中,而在未来的研究中,可以考虑其它应用背景,并开展预测时间更长的研究;第三,所建立的一系列时间序列预测框架虽然取得了理想的性能,但是其中的具体算法及多个参数需要人为选择。因此,如何实现时间序列预测框架中算法的自动选择和重要参数的自动设置是本文进一步的研究方向。