模糊神经网络与SARIMA混合模型提升时间序列预测精度

本文探讨了在时间序列预测领域的一个创新方法，即模糊神经网络（Fuzzy Neural Network, FNN）与季节自回归积分移动平均模型（Seasonal Autoregressive Integrated Moving Average, SARIMA）的结合。模糊神经网络因其能够处理非线性关系而闻名，而SARIMA则擅长捕捉线性时间序列的趋势。然而，许多实际应用中的时间序列往往既不完全稳定，也不单纯是线性的，这就需要更复杂的模型来提高预测精度。 作者何星星和孙德山，分别作为硕士研究生和博士副教授，他们的研究方向包括统计学习理论和时间序列分析。他们注意到单一的模糊神经网络或SARIMA模型可能不足以应对这些复杂情况，因此提出了一个混合模型，旨在整合两者的优点。这个模型利用了T-S模糊神经网络，一种特殊的模糊系统，结合SARIMA的自回归和移动平均特性，形成一个适应性强、预测能力更为出色的时间序列预测工具。 论文通过悉尼航班乘客收入数据进行了实证研究，比较了混合模型与模糊神经网络、支持向量机（Support Vector Machine, SVM）、SARIMA以及传统的BP神经网络这四种模型的预测性能。结果显示，混合模型在预测精度和参数选择上表现出色，显示出其在实际问题中的有效性。这表明，将模糊神经网络与SARIMA融合是一种有前景的方法，能够有效处理非线性和线性成分交织的时间序列，从而提高预测的准确性和鲁棒性。 该研究不仅对统计学习理论和时间序列分析领域的学者具有参考价值，也为实际应用中的数据分析提供了新的预测策略。对于那些需要处理复杂时间序列数据的领域，如金融、交通管理、经济预测等，这种混合模型可能会成为一个有价值的工具。这篇论文通过实例验证了混合模糊神经网络与SARIMA在时间序列预测中的潜力，推动了相关技术的发展和应用。