导读:本文包含了混合时间序列模型论文开题报告文献综述及选题提纲参考文献，主要关键词:混合整值自回归模型,经验似然,加权条件最小二乘估计,极大拟似然估计
混合时间序列模型论文文献综述
杨艳秋[1]（2019）在《混合整值时间序列模型的统计推断》一文中研究指出本文主要研究混合整值时间序列模型的统计推断问题.首先把经验似然原理应用到混合整值自回归模型上,建立了混合整值自回归模型参数的经验似然比统计量及其极限分布,得到了参数的置信域,并通过数值模拟研究了置信域的覆盖率.研究表明,在不同的边际分布下一阶混合整值自回归模型参数的置信域覆盖率都接近于置信水平.其次,我们研究了p阶混合整值自回归模型参数的加权条件最小二乘估计和极大拟似然估计,并用数值模拟的方法对一阶混合整值自回归模型和二阶混合整值自回归模型的加权条件最小二乘估计,极大拟似然估计和条件最小二乘估计进行了比较.再次,考虑了基于负二项稀疏算子“*”的整值自回归模型参数的统计推断问题,将模型约束在相应的平稳域内,在二次损失函数下,给出了参数的Bayes估计,并通过数值模拟给出了Bayes估计的偏差和均方误差.由于贝叶斯估计较最小二乘估计和Yule-Walker估计多加入了先验信息,将未知参数看作随机变量,得到估计的偏差更小,同时给出了模型的实例分析和模型预测.最后,我们研究了缺失数据下p阶混合整值自回归模型的参数估计问题,给出了缺失数据的个案剔除法,不插补条件最小二乘估计法,均值插补法和桥式插补法,并在不同缺失概率下给出了参数估计的偏差和均方误差.(本文来源于《吉林大学》期刊2019-06-01）
王锦涛[2]（2019）在《基于LSTM混合模型的金融时间序列预测研究》一文中研究指出挖掘金融市场的运动规律,并准确地预测金融市场的走势有助于金融投资者制定出低风险、高收益的投资策略。因此,金融时间序列预测的相关研究一直都在进行,而且备受关注。然而,金融数据作为一种时间序列数据具有非线性、非平稳以及高噪声的特性,使得金融时间序列预测被世界公认为最具有挑战性的时间序列预测任务。如何准确地判断金融市场的走势是金融研究人员始终都在研究但尚未完全攻克的难题。随着深度学习方法在各行各业取得了突破性的进展,越来越多的金融研究人员将深度学习方法应用于金融时间序列预测的研究中。本文基于深度学习方法对金融时间序列预测问题进行研究,并以股票金融数据为预测对象,以收盘价格为预测目标,设计了两种基于深度学习的时间序列预测模型——单流网络预测模型和双流网络预测模型。其中,每条特征流网络都是基于LSTM混合模型所实现的。单流网络预测模型主要用于预测金融市场的股价指数,该模型由基于WDAE-LSTM混合模型的自趋势流构成。该模型通过将小波降噪模块、降噪自编码器模块以及长短期记忆网络模块相结合,对金融市场股价指数序列的自身趋势特征进行提取。实验结果表明,与其它类似的预测模型相比,本文所设计的单流网络预测模型在金融股价指数序列预测中有更高的预测精度,在实际金融分析中更有应用价值。双流网络预测模型主要针对单支股票价格进行预测。该模型是通过在单流网络预测模型的基础上引入互趋势流实现的。互趋势流的作用是利用由小波主成分分析降噪模块和长短期记忆网络模块构成的WPCA-LSTM混合模型,从多支金融时间序列间提取相关趋势特征。双流网络预测模型通过将自身趋势特征和相关趋势特征相融合,提高对单支股票价格序列的预测精度。实验结果表明,双流网络预测模型对单支股票价格序列的预测性能相比于单流网络模型有明显的提升。最后,本文将双流网络预测模型应用于其它时间序列预测中,实验结果表明,该双流网络预测模型对其它时间序列数据的预测表现良好,这意味着本文所设计的双流网络预测模型具有一定的泛用性,可适用于多种时间序列预测分析。(本文来源于《郑州大学》期刊2019-04-01）
冯小素[3]（2019）在《基于相关向量机的混合模型在时间序列预测中的研究》一文中研究指出时间序列是指一组按照时间顺序记录的观测值。随着社会的快速发展和大数据技术的逐渐成熟,经济、气象、交通、医学、能源等各个领域都产生并记录了大量的时间序列数据。时间序列预测是指通过对历史数据建模,并利用该模型对序列的未来趋势进行类推与估计。时间序列预测的应用领域非常广泛,对经济的整体发展、社会的和谐与稳定以及公民的生活安全都有着深刻的影响。由于时间序列通常含有非线性、周期性等特征,且单一的预测算法通常有着一定的限制,给准确的时间序列预测带来了一定的难度。为此,研究者们提出了多种方法以改进预测精度,如使用数据预处理技术对原始序列进行除噪等处理、针对时间序列的特性调整模型的输入变量和维度、使用优化算法确定模型的最优值等。本文针对这些问题,依托于相关向量机的良好的学习能力,利用数据预处理方法和优化算法,结合各个方法的优势提出了两个混合模型:(1)基于相关向量机(Relevance vector machine,RVM)的组合预测模型WS-FRVM(WT-SSA-FOA-RVM)。针对原始序列难以提取主要特征的问题,运用小波转换将数据进行分解,取得高频数据和低频数据。低频数据包含数据的主要特征,而高频数据含有噪声数据和有用信息,需要采用奇异谱分析方法对其进行进一步处理,移除噪声数据。然后,由于低频数据的波动平缓利用RVM进行建模预测,而高频数据由于波动性较大,因此本文利用果蝇算法优化的RVM模型进行预测输出。最后,将高频数据和低频数据的预测结果进行整合作为最终的预测输出。所提模型在叁个不同地区的电力负荷数据上进行验证,结果表明WSFRVM模型有着良好的预测性能。(2)基于RVM并考虑多变量辅助预测的组合预测模型SMFRVM(SSA-Multi-FOA-RVM)。由于时间序列受到横向信息的影响,所以模型综合考虑辅助变量,对预测变量的输出进行修正。首先,计算相关变量与预测变量之间的相关系数,综合相关系数大小和模型复杂度,选择出数量合适的辅助变量,然后使用奇异谱分析方法提取出各个变量中的主要特征。针对RVM核参数难以确定的问题,本文使用果蝇算法选择合适的参数预测各个变量。最后将各个变量预测得到的结果使用遗传算法优化的线性回归模型计算输出。该模型在两个真实数据集上进行实验验证,实验结果表明,SMFRVM模型相较于基准模型有着较高的预测精度。(本文来源于《兰州大学》期刊2019-04-01）
高建,毛莺池,李志涛[4]（2019）在《基于高斯混合-时间序列模型的轨迹预测》一文中研究指出针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合-时间序列模型(GMTSM),对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测。首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型(GMM)和时间序列分析中的差分自回归滑动平均模型(ARIMA);然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测。实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90. 3%;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55%左右。GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境。(本文来源于《计算机应用》期刊2019年08期）
冯振杰,樊煜[5]（2019）在《混沌时间序列的高斯过程混合模型预测》一文中研究指出高斯过程混合(Gaussian Processes Mixture,GPM)模型现有的学习算法如马尔科夫链蒙特卡洛法、变分法或留一法等,计算复杂度偏高,提出一种隐变量后验硬划分迭代学习算法,简化模型的学习过程,基于该算法将GPM模型用于混沌时间序列预测,并讨论嵌入维、时间延迟、学习样本和测试样本数目等参数对预测性能的影响。实验结果表明,GPM模型预测精度高于支持向量机(Support Vector Machine,SVM)、高斯过程(Gaussian Process,GP)和径向基(Radical Basis Function,RBF)网络,学习速度介于RBF网络、GP和SVM之间。(本文来源于《系统仿真学报》期刊2019年07期）
韩峰[6]（2019）在《基于混合模型的时间序列预测方法研究》一文中研究指出现实中的时间序列数据具有复杂特性,传统单一模型在预测方面有很大局限性。为了进一步提高时间序列的预测精度,本文提出了两类基于混合模型的时间序列预测方法,分别为基于残差的时序混合预测方法和基于分解与合成的时序混合预测方法。主要的研究内容如下:为了提高预测精度,充分利用残差数据中的有用信息,本文提出了基于残差ARIMA-LSTM的时间序列混合预测模型。首先对数据建立ARIMA模型捕获数据的线性成分,通过对数据平稳性检验、ARIMA模型的定阶完成ARIAM预测,然后求取残差,将残差进行白噪声检验。然后对残差建立LSTM模型预测,将两部分预测值累计记得到最终的预测值。实验表明本文提出基于残差的混合模型预测精度比单一模型高。对于时间序列数据过于复杂的问题,本文提出了基于分解与合成的时间序列混合预测模型。采用DWT、EMD以及MEEMD时序分解算法,为了对分解后的子序列建立合适的模型,本文对分解后的数据是进行混沌特性的判断,对具有混沌特性的子序列建立非线性模型,对不具有混沌特性的子序列建立线性模型,将两部分预测值加和得到最终的预测结果。对于分解后计算量变大的问题,本文通过样本熵(SE)方法对分解后的子序列进行合并处理,大大减少了计算量。最后对子序列建立ELman模型预测。实验结果显示与对比模型相对该模型的预测精度更高。(本文来源于《天津理工大学》期刊2019-02-01）
周沫[7]（2018）在《ARIMA-FTS混合模型的时间序列预测研究》一文中研究指出时间序列是按照时间的顺序记录的一列有序数据。时间序列作为一类具有时间属性的特殊数据类型,在社会历史发展进程中长期受到重视。研究工作者通常是通过对时间序列数据进行一系列的观察和研究,并从中发现某种暗含在其数据背后的规律,从而预测它将来的走势。时间序列预测是一种通过已知的数据来预测未来的方法,其让决策者有了登高望远的能力,进而做出更合理的选择,因此关于时间序列预测的研究具有很重要的意义。随着时间序列预测逐渐多地被应用到社会生活中的方方面面,在面对实际问题时,数据的复杂性通常会大大地超出研究人员的想象,同时数据的特征很难完全确定,往往运用单一模型无法得到较满意的结果,而混合模型的使用能够在一定程度上规避上述缺点。并且混合模型能整合不同模型各自的长处,因此能够较好地提升建模效果,如此一来混合模型就可以被应用到更广泛的领域去。由此思路,基于ARIMA模型和FTS模型各自的优势,本文针对这两个模型提出混合建模方法,进而改进时间序列的预测结果。本文在Zhang(2003)提出的混合模型构建思想的启发下,将ARIMA模型与FTS模型进行混合建模得到ARIMA-FTS模型,并提出模型估计、预测方法。为验证所提模型的有效性,分别运用单一的ARIMA模型、单一的传统FTS模型和ARIMA-FTS模型对模拟数据进行对比预测,模拟分析的结果证明混合模型的预测精度是高于单一模型的。接着在本文所提混合模型的基础上,进一步提出了对FTS模型中传统的等长论域划分方法改为应用基于K-medoids算法的非等长的论域划分方法的改进思想,同时还提出了运用中位数(而非传统方法上的均值)来代替区间中心值来表示模糊区间的信息。此外,本文还提出了对FTS模型中模糊逻辑关系的处理方法进行改进,其基于机器学习的SVM算法对二阶模糊关系进行预测,该改进方法较为有效地提高了模糊时间序列的预测精度。最后针对改进后的ARIMA-FTS模型进行模拟实现,以证明其改进的意义。经对比不同模型的数值结果,不难发现改进后的ARIMA-FTS模型的预测能力相比改进前的模型有了很大的提升。最后本文对2015年-2017年每一年的沪深300指数数据分别建立ARIMA模型、FTS模型、未改进的以及改进后的ARIMA-FTS混合模型,通过分析不同模型的实证结果得到模型评价,并对该数据使用相应模型进行年末数据预测。在理论方面,本文提出了对ARIMA混合模型进行新的探索,尝试引入FTS模型对ARIMA模型未能捕捉到的非线性信息进行建模优化,提出ARIMA-FTS混合模型的模型估计和预测方法,并提出将K-medoids算法和SVM算法加入FTS建模过程,以进一步对ARIMA-FTS模型进行改进。在实际应用方面,本文应用混合模型对沪深300指数数据进行预测分析,拓宽了混合模型的应用范围,证明混合模型的能较好地适应于在不同趋势走势下的时间序列数据。(本文来源于《浙江财经大学》期刊2018-06-01）
金玉莲,刘海鹏,董辉军,孙立新,赵倩[8]（2018）在《儿童医院医院感染率时间序列的自回归滑动平均混合模型验证》一文中研究指出目的比较各儿童医院医院感染发生率的差异,并对前期自回归滑动平均混合(autoregressive integrated moving average model,ARIMA)时间序列模型进行进一步的验证。方法收集全国范围内5家叁级甲等儿童医院(贵阳市妇幼保健院、河北省儿童医院、青海省妇女儿童医院、郑州市儿童医院、安徽省儿童医院)2013年1月-2016年12月4年间医院感染发生率数据,应用前期安徽省儿童医院数据拟合得到的ARIMA(0,1,1)标准模型,对各个医院感染数据进行标准模型的拟合,比较各个模型的信息准则参数,判断前期标准模型对其他医院是否适用;同时以各医院汇总后的医院感染发生率数据作为验证样本,进一步评估标准模型的可行性。结果 ARIMA(0,1,1)时间序列模型适用于文中5家儿童医院医院感染率的模型拟合,模型信息量准则参数如最小信息量准则(AIC)、贝叶斯信息准则(BIC)值均比前期标准模型小。数据合并后使用ARIMA(0,1,1)模型进行拟合,模型残差序列的Ljung-Box统计量Q=14.28,差异无统计学意义(P=0.578),提示残差为白噪声序列,模型拟合良好;医院感染率实际值与预测值的平均绝对百分误差值(MAPE)为11.6,实际值均在预测值95%可信区间内,未见超出点。结论ARIMA(0,1,1)时间序列模型能较好的拟合儿童医院感染率,具有预测住院患儿医院感染发生情况的实际价值。(本文来源于《中华医院感染学杂志》期刊2018年02期）
常和玲[9]（2017）在《高斯过程混合模型在时间序列预测中的应用研究》一文中研究指出高斯过程混合(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的叁种学习算法即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。(本文来源于《河北工业大学》期刊2017-04-01）
徐晓[10]（2016）在《经济序列的趋势分析——基于时间序列的混合模型》一文中研究指出社会消费品零售总额代表着宏观经济的发展现状,对其历史数据分析对我国宏观经济未来的发展具有重要意义。本文选取了1997~2014年的我国月度社会消费品零售总额的时间序列数据,通过乘法加法和乘积季节的混合模型来对该序列进行拟合分析,不仅能提取数据之间的相关性,还能够很精确的拟合序列趋势,预测效果显着。(本文来源于《科技风》期刊2016年09期）
混合时间序列模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
挖掘金融市场的运动规律,并准确地预测金融市场的走势有助于金融投资者制定出低风险、高收益的投资策略。因此,金融时间序列预测的相关研究一直都在进行,而且备受关注。然而,金融数据作为一种时间序列数据具有非线性、非平稳以及高噪声的特性,使得金融时间序列预测被世界公认为最具有挑战性的时间序列预测任务。如何准确地判断金融市场的走势是金融研究人员始终都在研究但尚未完全攻克的难题。随着深度学习方法在各行各业取得了突破性的进展,越来越多的金融研究人员将深度学习方法应用于金融时间序列预测的研究中。本文基于深度学习方法对金融时间序列预测问题进行研究,并以股票金融数据为预测对象,以收盘价格为预测目标,设计了两种基于深度学习的时间序列预测模型——单流网络预测模型和双流网络预测模型。其中,每条特征流网络都是基于LSTM混合模型所实现的。单流网络预测模型主要用于预测金融市场的股价指数,该模型由基于WDAE-LSTM混合模型的自趋势流构成。该模型通过将小波降噪模块、降噪自编码器模块以及长短期记忆网络模块相结合,对金融市场股价指数序列的自身趋势特征进行提取。实验结果表明,与其它类似的预测模型相比,本文所设计的单流网络预测模型在金融股价指数序列预测中有更高的预测精度,在实际金融分析中更有应用价值。双流网络预测模型主要针对单支股票价格进行预测。该模型是通过在单流网络预测模型的基础上引入互趋势流实现的。互趋势流的作用是利用由小波主成分分析降噪模块和长短期记忆网络模块构成的WPCA-LSTM混合模型,从多支金融时间序列间提取相关趋势特征。双流网络预测模型通过将自身趋势特征和相关趋势特征相融合,提高对单支股票价格序列的预测精度。实验结果表明,双流网络预测模型对单支股票价格序列的预测性能相比于单流网络模型有明显的提升。最后,本文将双流网络预测模型应用于其它时间序列预测中,实验结果表明,该双流网络预测模型对其它时间序列数据的预测表现良好,这意味着本文所设计的双流网络预测模型具有一定的泛用性,可适用于多种时间序列预测分析。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合时间序列模型论文参考文献
[1].杨艳秋.混合整值时间序列模型的统计推断[D].吉林大学.2019
[2].王锦涛.基于LSTM混合模型的金融时间序列预测研究[D].郑州大学.2019
[3].冯小素.基于相关向量机的混合模型在时间序列预测中的研究[D].兰州大学.2019
[4].高建,毛莺池,李志涛.基于高斯混合-时间序列模型的轨迹预测[J].计算机应用.2019
[5].冯振杰,樊煜.混沌时间序列的高斯过程混合模型预测[J].系统仿真学报.2019
[6].韩峰.基于混合模型的时间序列预测方法研究[D].天津理工大学.2019
[7].周沫.ARIMA-FTS混合模型的时间序列预测研究[D].浙江财经大学.2018
[8].金玉莲,刘海鹏,董辉军,孙立新,赵倩.儿童医院医院感染率时间序列的自回归滑动平均混合模型验证[J].中华医院感染学杂志.2018
[9].常和玲.高斯过程混合模型在时间序列预测中的应用研究[D].河北工业大学.2017
[10].徐晓.经济序列的趋势分析——基于时间序列的混合模型[J].科技风.2016
标签：混合整值自回归模型; 经验似然; 加权条件最小二乘估计; 极大拟似然估计;