基于Boosting梯度下降理论的时间序列建模方法
在预测问题中有很多实际问题具有时间序列特性,如何分析并建立合理的时间序列预测模型具有重要的理论价值与广泛的应用前景.随着对时间序列研究的逐步深入,时间序列预测模型变得越来越复杂,建模过程对设计技巧依赖性越来越强.如何设计一种不依赖于操作者的能力和经验,并且具有良好效果的建模方法呢?本文在集成学习理论的基础上,提出了基于Boosting梯度下降理论的自回归模型集成(AR Ensemble Learning,AREL)建模法,从理论上分析并论证了该建模法的有效性.为了避免AREL精确拟合每一个训练样本点,在建模过程中引入了ε-不敏感损失函,从而降低随机噪声对时间序列预测模型的影响.进而为了提高AREL对非平稳时间序列的处理能力,提高算法的鲁棒性,防止发生过拟合,降低算法对模型阶次设置的敏感性,提出了基于AREL的加权K近邻(weighted kNN)预报法.通过实例测试,并对结果进行了讨论,验证了所提出的建模法与预报方法的有效性.
时间序列、Boosting、集成学习、过拟合
41
TP(自动化技术、计算机技术)
国家自然科学基金60974101;教育部新世纪优秀人才计划NCET-06-0828
2011-12-29（万方平台首次上网日期，不代表论文的发表时间）
929-943
