不完备多变量时间序列重构与LS-SVM预测模型
143 浏览量
更新于2024-08-30
收藏 373KB PDF 举报
"该文章提出了一种基于RS重构技术的LS_SVM预测模型,用于处理不完备多变量时间序列的预测问题。研究中,作者结合Mean Completer算法和相空间重构方法来处理数据缺失和嵌入不足的问题,通过粗糙集(RS)约简优化重构样本空间,最终利用精简后的数据训练LS_SVM模型以识别关键变量并进行预测。这种方法在氧化铝配料过程的原料组分时间序列预测中得到了应用,并通过比较和分析证明了其有效性和优越性。"
文章详细介绍了针对不完备多变量时间序列预测的一种新方法,该方法融合了经典重构技术和粗糙集理论。首先,不完备的多变量时间序列通过Mean Completer算法填补缺失值,再用经典相空间重构技术进行初步重构,以应对可能存在的数据缺失和嵌入不足问题。这一阶段的目标是创建一个初始的重构序列,确保数据的完整性和准确性。
接着,为了减少冗余信息,研究者构建了时间序列决策表,并应用信息增益算法(IGA)进行RS约简。这一步骤旨在去除冗余的嵌入和变量,从而得到一个更精简且有效的重构样本空间。RS约简过程有助于降低模型复杂度,提高预测的效率和精度。
最后,经过RS约简的精简结果被用作支持向量机(Support Vector Machine, SVM)的一个特殊变体——最小二乘支持向量机(Least Squares Support Vector Machine, LS_SVM)的输入。LS_SVM模型以其对大规模数据集的高效处理能力和良好的泛化能力而著名,它能从这些精简后的关键变量中学习,建立预测模型。
在实际应用中,该方法被应用于氧化铝配料过程的原料组分时间序列预测。通过对预测结果的比较和分析,验证了该方法在处理工业生产过程中的预测任务时,不仅能够准确预测,还具有较高的计算效率和模型稳定性。这表明,结合RS重构和LS_SVM的预测模型在解决复杂工业问题中具有显著优势,有望在其他类似的多变量时间序列预测场景中得到广泛的应用。
关键词涵盖了多变量时间序列、相空间重构、粗糙集(RS)、LS_SVM和支持向量机预测,这些是本文的核心技术点。中图分类号和国家标准学科分类代码则表明了该研究属于自动化和计算机科学领域。
weixin_38695471
- 粉丝: 3
- 资源: 911
最新资源
- 构建基于Django和Stripe的SaaS应用教程
- Symfony2框架打造的RESTful问答系统icare-server
- 蓝桥杯Python试题解析与答案题库
- Go语言实现NWA到WAV文件格式转换工具
- 基于Django的医患管理系统应用
- Jenkins工作流插件开发指南:支持Workflow Python模块
- Java红酒网站项目源码解析与系统开源介绍
- Underworld Exporter资产定义文件详解
- Java版Crash Bandicoot资源库:逆向工程与源码分享
- Spring Boot Starter 自动IP计数功能实现指南
- 我的世界牛顿物理学模组深入解析
- STM32单片机工程创建详解与模板应用
- GDG堪萨斯城代码实验室:离子与火力基地示例应用
- Android Capstone项目:实现Potlatch服务器与OAuth2.0认证
- Cbit类:简化计算封装与异步任务处理
- Java8兼容的FullContact API Java客户端库介绍