基于AR*-SVM混合建模的雾霾时间序列预测方法技术

本发明专利技术涉及一种基于AR*-SVM混合建模的雾霾时间序列预测方法。本方法的操作步骤是：第一步，对雾霾时间序列流建立AR*模型；第二步，运用SVM模型对原始序列和从AR*模型中获得的新息序列进行AR*-SVM混合模型的建模；混合模型AR*-SVM是通过AR*和SVM模型分别来获取雾霾时间序列流的线性和非线性部分，并结合起来改善整个雾霾时间序列流的建模和预测性能。本发明专利技术提出把AR*类模型与SVM模型结合起来，通过这两类模型来捕捉时间序列流中隐含模式的不同方面，从而提高模型的拟合度，以提高雾霾序列的预测精度，试验也表明本发明专利技术的混合建模方法比单独运用这两种方法均有很好的结果。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于AR*-SVM混合建模的雾霾时间序列预测方法。本方法的操作步骤是：第一步，对雾霾时间序列流建立AR*模型；第二步，运用SVM模型对原始序列和从AR*模型中获得的新息序列进行AR*-SVM混合模型的建模；混合模型AR*-SVM是通过AR*和SVM模型分别来获取雾霾时间序列流的线性和非线性部分，并结合起来改善整个雾霾时间序列流的建模和预测性能。本专利技术提出把AR*类模型与SVM模型结合起来，通过这两类模型来捕捉时间序列流中隐含模式的不同方面，从而提高模型的拟合度，以提高雾霾序列的预测精度，试验也表明本专利技术的混合建模方法比单独运用这两种方法均有很好的结果。【专利说明】基于AfT-SVM混合建模的雲謹时间序列预测方法
本专利技术涉及一种雾靈的预测方法，特别是一种基于AR*-SVM混合建模的雾靈时间 序列预测方法。
技术介绍
雾靈多因素时间序列流，展示了被研究对象在一段时间内发展变化的过程。所谓 时间序列流特征值的预测方法，就是指在所研究对象的一组实测雾靈指标和污染源指标时 间序列流基础上，通过各种数学的分析处理手段，寻找出数据的变化特征、发展趋势与规 律，进而对未来某时刻研究对象的状态做出估计。该样，就把影响研究对象的一切因素由时 间综合起来描述。由于雾靈多因素时间序列流本身含有噪声、非稳定性和混沛的特性，所W 要在历史的数据中获取全部信息是非常困难的，故要在将来值和历史记录之间建立函数关 系也是不易的。 雾靈时间序列流是一个非平稳的序列。要把一个非平稳序列映射到一个合适的线 性模型是非常困难的，所W基于诸如自回归移动平均模型（ARMA)的时间序列模型的预测 常常是无法令人满意的。大量研究表明，时间序列流的收益率序列存在条件异方差，即方差 不仅随着时间而变化，且具有变化幅度大和幅度小分别集中在某些时间段内的特点---波 动性的丛集性，该种现象在金融、电力、天气等领域也是存在的。GARCH是广义的ARCH模型， GARCH建模的目的在于对时间序列流的易变性的理解和建模。GARCH模型通过对方差和协 方差准确预测来对时变的条件方差建模，很好地解决了上面讨论的过度峰度和波动丛集性 问题。 对于雾靈时间序列流，很难构建适合的GARCH模型，基于其上的预测也是不满意 的。由于GARCH在雾靈数据的建模上存在诸多的不足，许多替代的方法诸如非线性模型也 被提出来用于该方面的建模，W提高建模和预测的效果。 [000引 本专利技术把AR、ARMA、ARIM、ARCH和GARCH模型统称为AR*模型。对于时间序列流， 很难构建适合的AR*模型，基于其上的预测也是不满意的。由于线性时间序列模型AR*在 时间序列流的建模上存在诸多的不足，许多替代的方法诸如非线性模型也被提出来用于该 方面的建模，W提高建模和预测的效果。 神经网络模型有着广泛的应用前景，近年来越来越多的研究者利用神经网络模型 来预测时间序列流的变化趋势。在为时间序列流建立神经网络模型时，有研究者对神经网 络模型和线性模型的预测性能进行了研究对比，通过使用诸如工业、金融、天气和微观经济 方面的数据，得出的实验结果表明神经网络技术相对于线性模型有绝对的优势。神经网络 模型的主要优点在于它的非线性建模能力，诸多研究也都给出各自实验，说明非线性神经 网络模型在时间序列流上的预测准确性表现出比线性模型有较好的性能。 支持向量机（SVM, Suppo;rt Vector Machine)是由Va吨ik等提出能较好解决小样 本、非线性和高维数等实际问题的基于结构风险最小化原则的学习算法。支持向量机方法 解决了在高维特征空间中用线性回归的方法来进行预测，几乎不增加计算的复杂性，避免 了升维过程可能出现的维数灾。也避免了人工神经网络等方法的网络结构难于确定、过学 习和欠学习W及局部极小等问题，被认为是目前针对小样本的分类、回归等问题的最佳理 论。 [000引 SVM相对于AR*时间序列流模型来说有更好效果。但是对于某一雾靈时间序列流 来说，很难判断其是纯粹的线性过程还是非线性的过程，故很难为其选择合适的模型进行 拟合并建模。虽然诸多文献表明有许多的方法运用到时间序列流的预测，而且得出较为精 确的结果，但由于雾靈时间序列流存在诸多的不稳定因素，SVM技术和其他神经网络技术并 不是用于雾靈时间序列流预测的最佳模型。
技术实现思路
本专利技术的目的在于针对已有技术存在的缺陷，提供一种基于AR*-SVM混合建模的 雾靈时间序列预测方法，W获得雾靈时间序列预测较佳效果。 为解决上述技术问题，本专利技术采用如下技术方案： 一种基于AR*-SVM混合建模的雾靈时间序列预测方法，操作步骤如下： 第一步，对雾靈时间序列流建立AR*模型，首先识别该模型的阶数，确定AR*模型 的参数并进行估计，最终运用AR*模型分析流数据中的线性部分；该线性部分的信息是通 过使用AR*模型得出时间序列的新息序列{ e J来获取的，该新息序列包含了时间序列流 的统计和波动信息；用它作为构建AR*-SVM混合模型的一部分，不仅可W降低噪声水平，同 时可通过获取时间序列流的统计和波动信息来提高预测的准确性； [001引第二步，运用SVM模型对原始序列和从AR*模型中获得的新息序列进行AR*-SVM 混合模型的建模；所W混合模型AR*-SVM是通过AR*和SVM模型分别来获取雾靈时间序列 流的线性和非线性部分，并结合起来改善整个雾靈时间序列流的建模和预测性能。 优选地，所述AR*模型包括自回归移动平均ARM模型，季节性自回归移动平均 ARIM模型和广义自回归条件异方差GARCH模型线型模型，该各模型如下： [001引 1) ARIA是自回归移动平均模型： 【权利要求】1. 一种基于AR*-SVM混合模型的雾霾时间序列预测方法，其特征在于，操作步骤如下： 第一步，对雾霾时间序列流建立AR*模型，首先识别该模型的阶数，确定AR*模型的参 数并进行估计，最终运用AR*模型分析流数据中的线性部分；该线性部分的信息是通过使 用AR*模型得出时间序列的新息序列{eJ来获取的，该新息序列包含了时间序列流的统 计和波动信息；用它作为构建AR*-SVM混合模型的一部分，不仅可以降低噪声水平，同时可 通过获取时间序列流的统计和波动信息来提高预测的准确性； 第二步，运用SVM模型对原始序列和从AR*模型中获得的新息序列进行AR*-SVM混合 模型的建模；混合模型AR*-SVM是通过AR*和SVM模型分别来获取雾霾时间序列流的线性 和非线性部分，并结合起来改善整个雾霾时间序列流的建模和预测性能。2. 根据权利要求1所述的基于AR*-SVM混合模型的雾霾时间序列预测方法，其特征在 于：所述AR*模型包括自回归移动平均ARMA模型，季节性自回归移动平均ARIMA模型和广 义自回归条件异方差GARCH模型线型模型，该各模型如下： DARMA是自回归移动平均模型：其中Xt是指t时刻的观测值，Xt_m是指t-m时刻的观测值，（ai，a2，…ap)称为自回归 系数，实参O^b2，…bq)称为滑动平均系数，{eJ为白噪声序列，亦称之为新息序列，（p， q本文档来自技高网...

【技术保护点】
一种基于AR*‑SVM混合模型的雾霾时间序列预测方法，其特征在于，操作步骤如下：第一步，对雾霾时间序列流建立AR*模型，首先识别该模型的阶数，确定AR*模型的参数并进行估计，最终运用AR*模型分析流数据中的线性部分；该线性部分的信息是通过使用AR*模型得出时间序列的新息序列{εt}来获取的，该新息序列包含了时间序列流的统计和波动信息；用它作为构建AR*‑SVM混合模型的一部分，不仅可以降低噪声水平，同时可通过获取时间序列流的统计和波动信息来提高预测的准确性；第二步，运用SVM模型对原始序列和从AR*模型中获得的新息序列进行AR*‑SVM混合模型的建模；混合模型AR*‑SVM是通过AR*和SVM模型分别来获取雾霾时间序列流的线性和非线性部分，并结合起来改善整个雾霾时间序列流的建模和预测性能。

【技术特征摘要】

【专利技术属性】
技术研发人员：李卫民，张礼名，周扬，王盛，毛敏娟，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31