DTW驱动的长期直觉模糊时间序列预测模型提升泛化性能

本文主要探讨了在处理长期直觉模糊时间序列预测时存在的挑战，即传统模型在依赖大量训练数据的同时，对时间序列中趋势变化模式的适应性不足，特别是对于复杂的、非线性的模式。为解决这个问题，研究者提出了一个基于动态时间弯曲（DTW）的长期直觉模糊时间序列预测模型。DTW是一种动态调整时间步长的技术，用于度量两个时间序列之间的相似性，即使它们的长度不同，也能找到最合适的路径进行匹配。 首先，该模型利用直觉模糊C均值（IFCM）聚类算法来构建直觉模糊时间序列片段库。IFCM聚类方法考虑了模糊性和不确定性，能够有效地处理不确定的数据，并且能根据样本的分布动态地调整聚类中心，降低了对训练数据规模的依赖。通过这种方法，模型可以捕捉到时间序列中的潜在结构和规律。 其次，作者提出了一种基于DTW距离的直觉模糊时间序列片段相似度计算方法。这种方法解决了不等时长时间序列片段匹配的问题，使得模型能够更好地理解和处理非同步的数据。这在实际应用中具有重要意义，例如在气象预测、股票市场分析等场景中，时间序列的时变性和非均匀性是常见的现象。 在实验部分，研究者对比了这个新模型与传统的直觉模糊时间序列模型，以及其他相关模型，如基于神经网络或统计方法的模型。结果显示，基于DTW的模型在处理包含不同时间序列模式的数据时，其预测能力明显增强，显示出了更好的泛化性能。这表明该模型在应对复杂趋势变化时具有更强的适应性和稳定性。 总结来说，本文的贡献在于提出了一种创新的长期直觉模糊时间序列预测模型，通过结合DTW的距离度量和IFCM聚类，有效地提高了模型的预测能力和鲁棒性，特别是在面对大规模和异质性的时间序列数据时。这将有助于在各种领域中提升时间序列预测的准确性和实用性。