基于滑动窗口与WMA_LRA的高效数据流预测算法

本文研究的"论文研究-基于加权移动平均的数据流预测模型.pdf"主要探讨了一种创新的预测方法，针对数据流处理中的效率提升和预测准确性问题。该研究提出了一个基于滑动窗口的预测模型，这个模型的核心理念是只保留当前滑动窗口内的数据进行分析，这样显著减少了计算资源的需求，提高了计算效率。传统的数据流预测模型可能需要处理大量的历史数据，而这一新模型通过聚焦于实时数据，简化了数据处理流程。 为了克服在小型数据集上进行回归预测时可能出现的偏差，研究者引入了加权移动平均（Weighted Moving Average，WMA）的概念，并结合了局部回归分析（Local Regression Analysis，LRA），形成了名为WMA_LRA的数据流预测算法。WMA_LRA算法通过赋予不同时间步的数据不同的权重，更好地考虑了数据的新旧程度及其对预测结果的影响，从而降低了预测误差。 作者团队包括孟凡荣教授、庄朋硕士研究生以及闫秋艳讲师，他们在数据库技术、数据挖掘技术和数据流处理等领域有着深厚的研究背景。实验部分，研究者利用FDS 4.0模拟了房屋火灾的场景，通过WMA_LRA算法对火灾现场的局部温度进行了短期预测。结果显示，这种方法不仅节省了计算资源，而且提高了预测精度，这对于实时和动态环境下的数据分析具有重要意义。 关键词：数据流预测、加权移动平均和回归分析共同构成了这篇论文的核心关注点，展示了如何在大数据背景下，通过优化数据处理策略来提升预测性能。整体而言，这项工作对于理解如何在实际应用中有效利用数据流进行预测分析具有重要的理论价值和实践指导意义。