随机缺失数据的时间序列多步预测方法

"这篇研究论文探讨了在存在随机缺失数据的情况下进行时间序列的多步预测问题，由徐冬华、王耀楠、马建旭等人撰写，分别来自江苏科技大学电子与信息学院和湖南大学电气与信息工程学院。文章在2012年4月30日初次提交，2013年11月1日修订后再次提交，并于2013年11月26日被接受，最终于2014年1月4日在线发布。关键词包括多步预测、随机缺失数据、多层感知器人工神经网络（ANN）和非线性滤波器。" 文章的摘要指出，多步预测在时间序列预测中仍然是一个待解决的挑战。实际应用中的观测数据往往由于传感器故障或异常值导致数据缺失，因此研究具有随机缺失数据的时间序列的多步预测至关重要。研究中提出了一种新颖的方法，该方法基于非线性滤波器和多层感知器人工神经网络，旨在解决这个问题。 在多步预测中，传统的预测模型可能在处理缺失数据时遇到困难，因为它们通常假设数据是完整且连续的。然而，现实世界的数据集往往不满足这一条件。非线性滤波器可以捕捉时间序列的复杂动态，而多层感知器人工神经网络则能够学习和模拟这些动态，即使数据不完整。这种结合使得模型能够处理随机缺失数据，通过训练和调整网络参数来适应缺失值，从而提高预测准确性。 论文中可能详细讨论了以下几点： 1. 非线性滤波器的原理和在处理缺失数据时的优势，例如卡尔曼滤波器、粒子滤波器或其他非线性优化技术。 2. 多层感知器的结构和训练过程，如何通过反向传播算法来更新权重，以及如何在缺失数据情况下调整学习策略。 3. 为处理随机缺失数据而设计的特定算法或策略，可能包括插值方法、基于概率的模型或者集成学习方法。 4. 实验设计和结果分析，可能包括与其他预测方法的比较，以及在各种类型和领域的时间序列数据上的性能评估。 5. 对未来研究的讨论和建议，可能提出了改进现有方法、应对更大挑战或者探索新应用方向的可能性。 这篇论文提供了一种创新的解决方案，用于解决在存在随机缺失数据的时间序列预测中的多步预测问题，通过结合非线性滤波器和多层感知器人工神经网络的力量，提高了预测的准确性和鲁棒性。这对于实际应用，如气象预报、金融市场分析、工业生产监控等领域具有重要的理论和实践价值。