粒度决策演化模型的博弈选择研究

粒度决策演化模型是基于时间序列对粗糙集在动态数据预测方面的一种方法,对于在处理动态数据方面该模型有着较好的效果。但是在预测过程中出现属性支持度相同的属性时如何解决冲突模型并未说明,在粒度决策演化模型的基础上利用博弈论方法对解决这种冲突进行研究。     

粒度决策演化模型的决策稳定性研究

拉度决策演化模型是粗糙集基于时间序列对动态数据进行预测的一种方法。在处理动态数据方面,该模型 有着较好的效果。但是在预测之后的下一个时间点t=+:得到的实际决策厂、:与预测得到的决策厂许:出现不相同情况 时,其未说明如何处理这种冲突模型。在粒度决策演化模型的基础上引入进化博弈论方法,将实际决策五.:与预测得 到的决策大1组成博弈矩阵,通过计算决策收益来判断粒度决策在时间点t .1时的演化是否稳定。     

多粒度时间序列下粒度决策的演化模型研究

目前,粗糙集理论大多数的研究应用都停留在静态表的基础上,但在实际中决策信息表的数据是在不停的增加更新当中,静态的方法在处理不停增加和变换的数据时有着很明显的局限性。在经典粗糙集理论的基础上,引入多粒度时间序列,对决策信息系统划分后,研究各个粒所产生的决策间的相互关联性,建立相关的粒度决策演化模型,并通过实例验证同源演化的有效可行性。     

模糊自回归在网络流量时序分解模型中的应用

传统时序分解模型在去除网络流量序列中的趋势性和周期性成分后,用AR模型处理剩余序列,因而只适合处理粗时间粒度的流量,而无法处理具有长相关性的细时间粒度流量。本文用模糊自回归模型替代AR模型,使得改进的时序分解模型能够对任何时间粒度的网络流量进行建摸和预测。     

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.     

基于数据挖掘的销售预测研究

在研究数据挖掘预测算法时间序列AR模型的基础上,提出了将影响销售预测的因素与时间序列预测结合在一起的BP神经网络销售预测模型,该模型通过数据仓库获取销售历史数据.实例验证表明:BP神经网络销售预测模型比时闻序列AR销售预测模型精度高.     

时间序列数据流预测模型应用研究

时间序列数据流中蕴含了大量潜在信息,可以作为智能决策的依据。研究时间序列数据流的变化趋势,预测其未来一段时间的可能值,能够为当前的决策提供重要的支持。提出用链式可重写窗口技术代替传统的滑动窗口技术,并结合经验模式分解和径向基神经网络建立时间序列数据流在线预测模型——Online_DSPM。实验结果表明,与单一时间序列数据流预测模型相比,该模型具有较高的预测精度和校好的模型适应性。     

多重代价多粒度决策粗糙集模型研究

决策粗糙集和多粒度粗糙集是两种重要的数据处理机制。在对多重代价决策粗糙集模型和多粒度粗糙集模型的研究基础上,通过综合考虑多重代价矩阵和多粒度思想,将权重均值代价策略引入决策粗糙集模型中,提出了一种基于权重多重代价的多粒度决策粗糙集模型。在不完备信息系统中,分析了悲观代价决策粗糙集、乐观代价决策粗糙集和权重多重代价多粒度决策粗糙集模型,并给出了以上各种模型的决策代价总代价计算公式。以权重多重代价悲观多粒度决策粗糙集模型为例,讨论了该模型下随着粒度的变化其正域的变化情况,并给出了一种基于代价最小化的粒度约简方法。该模型更好地结合了决策粗糙集模型和多粒度粗糙集模型,可从多角度分析解决决策粗糙集模型中的相关问题。     

基于商空间的气象时间序列数据挖掘研究

论文从一种新的角度,针对气象时间序列的特点,在商空间粒度计算理论框架下,采用多种粒度,从不同的层次分析复杂的气象数据信息,利用商空间的合成技术,和多侧面递进算法进行综合信息处理。并提出了一种灰色模型GM(1,1)与构造性机器学习方法(交叉覆盖算法)结合的模型对气象时间序列进行数据挖掘(产量预测)。最后,通过该模型在真实数据上的实验(冬小麦产量预测),取得了令人满意的结果。     

实时演进数据序列集的内在模式提取与行为预测

复杂系统数据序列集未来行为的预测是一个难点,利用数据挖掘实现预测是有潜力的技术途径.针对包含多元时间序列和非时间序列的实时演进数据集,整合序列分割、聚类、模式在线匹配等处理流程,提出了一种主题发现与联合决策相结合的预测方法.在整个方法构建中,将拟构造的主题发现式预测和联合决策预测融合进前期的序列分割与聚类中,采用多时间粒度、多跨度对序列进行对应分层与分割,聚合形成各层的标准模式集.再以标准模式集,依照预测策略,反向搜索具有高稳定性延展行为的复合模式作为主题模式集,从而实现基于在线模式匹配的行为预测.最后,采用分布式并行计算的架构实现整个处理算法.理论推导和实验数据分析证明,相比传统的时间序列预测方法准确度得到提高.     

ARIMA与SVM组合模型的石油价格预测

针对复杂时间序列预测困难的问题,在综合分析其线性和非线性复合特征的基础上,提出了一种基于ARIMA和SVM相结合的时间序列预测模型。首先采用ARIMA模型对时间序列进行线性建模,然后采用SVM对时间序列的非线性部分进行建模,最后得到两种模型的综合预测结果。将组合模型应用于石油价格预测中,仿真结果表明组合模型相对于单模型的预测具有更高的精度,发挥了2种模型各自的优势,在复杂时间序列预测中具有广泛的应用前景。     

多阶段三支决策垃圾短信过滤模型

提出了一种多阶段三支决策垃圾短信过滤模型。该模型使用不同的信息粒度对短信进行表示,运用序列决策（即多阶段、多步骤决策）,在不同的决策阶段基于不同的信息粒度分别进行三支决策,有效地避免了当信息粒度太大或信息量不足时进行不合理的决策,对于不能满足当前决策条件的信息,可以通过补充足够的粒度信息作进一步的决策。最后通过实验证明了该模型的合理性和有效性。     

基于时间序列分析模型的公安警情分析和应用研究

时间序列分析模型是数据挖掘技术的一种重要工具,本文通过介绍时间序列分析中的ARIMA模型的基本方法,并结合某市盗窃案件的历史数据建模,分析其未来趋势。研究结果表明,ARIMA模型对短期预测拟合度较高,在一定程度上对公安相关部门的分析决策起到了辅助作用。     

多粒度决策粗糙集中的粒度约简方法

多粒度决策粗糙集模型是一种泛化的多粒度粗糙集模型,该模型结合决策粗糙集数据分析理论和多粒度思想,实现了在多个粒空间进行决策粗糙集理论的建模。在此基础上,利用贝叶斯决策理论具体分析了在多粒度粗糙集模型中乐观和悲观的融合策略下多个粒空间中的概率融合关系,推导出基于最大条件概率和最小条件概率的粗糙集近似表示,进而构建了乐观多粒度决策粗糙集模型和悲观多粒度决策粗糙集模型。在该模型中引入近似分布约简的概念,分析了多个粒空间中的粒度选择问题。基于多粒度近似分布质量定义了多粒度决策粗糙集的粒度重要度,并且基于此给出了悲观和乐观融合策略α-下近似分布约简的粒度约简算法。通过实例验证了该算法的有效性。     

用LSTM对市级周交通事故量预测方法研究

市级交通事故量时间序列的波动是影响对其准确预测的关键因素。提出的预测方法针对市级日交通事故量时间序列,采用长短期记忆神经网络(Long Short-Term Memory, LSTM)捕捉序列当前观测值与前序观测值的时序依赖关系,通过寻找最优窗口长度的LSTM市级日粒度交通事故量预测模型使拟合数据对训练集误差最小,对验证集的预测结果在转为周粒度时取得了较为准确的预测效果。提出的预测方法解决了影响市级周交通事故量准确预测的问题,该方法发现基于交通事故量训练的用于捕获观测值时序依赖关系的LSTM模型对数据基本趋势准确性的表达远好于对数据波动性的表达。为此,提出最优窗口算法来确定LSTM模型最优窗口长度,以确保对训练集基本趋势表达的准确性,再根据所发现的细粒度下的预测结果对交通事故量基本趋势的准确描述可转化为粗粒度下对波动性准确描述的事实,将日粒度预测结果转为周粒度后就取得了较为准确的预测效果。     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

跳频码序列混沌预测的性能研究

一般的跳频码序列预测研究是建立在理论跳频码序列模型上,通过证明该模型是混沌的,然后利用混沌时间序列预测技术对它进行预测。为了分析跳频码序列预测的性能,引入了实际的跳频通信系统跳频码序列模型,并指出跳频码序列是由混沌的信息跳序列和周期性的同步跳序列构成。在理论分析的基础上,对跳频码序列预测进行了仿真。结果表明了跳频码序列混沌预测在没有同步跳时能取得较高命中率,但在有同步跳的情况下,命中率不高,因此在实际应用中有很大局限性。     

一种基于自演化预训练的多变量时间序列预测算法

时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预...     

基于多粒度时间注意力RNN的航班客座率预测

准确预测航班客座率有利于处理航班机票超售、座位虚耗等问题,然而传统时间序列预测方法只关注航班近期每日客座率的变化特点,无法同时考虑其他因素的影响,预测效果不够理想。针对该问题,提出一种基于多粒度时间注意力机制的循环神经网络模型MTA-RNN。通过构建多级注意力机制获取航班客座率在不同时间粒度下的时序相关性,同时考虑航班自身属性及节假日等其他因素,得到未来一段时间内的目标航班客座率。在真实历史航班客座率数据集上的实验结果表明,MTA-RNN模型的预测准确率高于ARIMA模型、LSTM模型和Seq2seq模型。     

决策演化集的三支博弈

决策演化集是处理决策规则在时间序列上的演化问题的理论。决策演化集将着眼点从静态的决策信息系统转移到动态的时间序列上,研究决策信息系统在随着时间变化时的演化规律,是一种新的决策研究方法。目前,在决策演化集的标准结构下存在着一些问题,例如预测得到的属性较少,预测夹角偏大等问题。决策演化集的三支结构在提高预测准确度方面是一个有效的方法,但其阈值α和β是固定的。然而,在时间序列下数据是不停变化的,固定的α和β并不能很好地适应这种变化。利用博弈论的方法来调整修改α和β使其适应决策信息系统在时间序列下的变化,并通过实例来演示这种调整。