BP-SARIMA-ANFIS与GGNN：机器学习在时间序列预测的创新应用

"本文主要研究了基于机器学习的时间序列预测方法，提出了一种新的组合预测模型BP-SARIMA-ANFIS，以及一种基于改进灰色模型和BP神经网络的GGNN混合预测方法，并探讨了核极限学习机中的组合核函数应用。文章通过实证分析证明了这些方法在电力负荷预测和石油消费预测中的优越性。" 时间序列预测是数据分析中的关键领域，随着科技发展，尤其是机器学习技术的进步，预测方法日益多样化。传统的时间序列预测方法如ARIMA (自回归整合滑动平均模型)在处理线性关系的数据时表现出色，但面对非线性或复杂模式时可能表现不佳。而机器学习模型，如反向传播神经网络(BP)，能够处理非线性关系，但可能对异常值敏感。 BP-SARIMA-ANFIS是一种创新的预测模型，它结合了三种不同类型的预测方法：BP神经网络（用于捕捉非线性关系）、SARIMA（适用于季节性和趋势性数据）和ANFIS（自适应模糊神经网络系统，可以处理不确定性和模糊信息）。通过微分进化算法(DE)优化加权系数，使得每个模型的预测结果得以有效融合，从而提高整体预测精度。在澳大利亚新南威尔士州的电力负荷预测中，该方法的性能优于单一模型。 此外，文章还提出了基于改进灰色模型和BP神经网络的GGNN混合预测方法。改进的灰色模型能较好地拟合历史数据，而BP神经网络则能学习数据的复杂结构。遗传算法(GA)用于优化GGNN的权重和阈值，确保模型的泛化能力。在中国石油消费数据的预测上，GGNN方法表现出了较高的准确性和稳定性。 核极限学习机(KELM)利用核函数进行高效学习，但不同核函数的选择会直接影响模型性能。文中引入了一种混合RBF和UKF核函数的组合核，以增强KELM的泛化能力，展示了在各种任务中的潜力。 本文的研究成果为时间序列预测提供了新的思路和工具，通过组合不同模型的优势，提高了预测的准确性和鲁棒性，这对于诸如能源管理、经济预测等领域具有实际应用价值。