| 标题 | 时间序列数据模型的人工智能算法 |
| 范文 | 林兆兵 摘 要：时间序列数据模型是当前科研领域当中一种十分重要的构成部分。而在当前很多关于时间序列数据的预测、仿真、建模等方面的研究，在分析过程中大多是直接分析某种模型，因而具有极大的局限性。对于自回归移动平均模型、人工神经网络模型、隐马尔科夫模型等时间序列分析常用的人工智能模型，在选择研究模型时，可采用仿真对比的方法进行。通过研究表明，不同模型的生成，其时间序列数据的数理特征是不同的，这也在选择模型的时候提供了依据。 关键词：时间序列；数据模型；人工智能算法 0 前言 在人们的日常生活和生产当中，时间序列数据的存在和应用十分广泛。人们对于时间序列数据模型的预测、建模等方面的研究也越来越重视，因而产生了很多预测、分析、建模该类数据的模型。时间序列数据本身具有十分不同的特征，例如，长期、中期、短期等。在实际应用中，描述短期相关的模型，无法应用于长期相关的时间序列数据。对此，利用计算机智能，对时间序列数据进行更好的分析，从而提高建模的针对性，才能得到更加准确的结果。 1 主要的时间序列数据模型 （一）自回归移动平均模型 该模型主要用于预测和拟合时间序列数据的趋势，其作用是建立平稳时间序列的模型。在该模型当中，融合了移动平均模型、自回归模型等。对于系统中过去噪声、过去模式等方面的记忆，能够进行分别描述。在该模型的相关系数算法中，矩方法和极大似然估计方法是其中应用较为广泛的算法。 （二）人工神经网络模型 此种模型在1943年才开始进行近代研究，随着计算机技术的发展，计算机学者们逐渐注意到这方面的研究。由此研究产生了自组织网络、时间前馈网络、递归网络、映射网络等多种网络组织形式。在1974年，研究出了该模型的训练算法，即反向传播算法。该模型在信号处理、工程控制、数值计算等方面问题的研究当中，得到了良好的应用。此外，还包括时间序列数据的预测、建模等问题。 （三）隐马尔科夫模型 该模型目前在语音识别、文本信息提取、时间序列分析、网络路径分析、DNA序列分析等方面得到了较为广泛的应用。实际上，该模型属于双随机过程的一种，其中包含了生成观测值随机过程、有隐状态马尔科夫链随机过程等。在HMM模型包当中，主要有隐状态集、模型输出表现型集合、初始隐状态概率分布、表现型生成概率矩阵、隐状态间概率转移矩阵等。 2 时间序列数据的特征 对几种模型生成时间序列数据的特征，利用方针分析方法进行了证实。事实证明，自回归移动平均模型在一定的参数条件下，生成的时间序列为平稳的短期相关。人工神经网络模型基于其训练算法，会对历史信息进行应用，在权重中得以体现，生成的结果应为长期相关，但对于其平稳性的判断，具有一定的难度。隐马尔科夫模型生成的则是不平稳的短期相关[1]。对于自回归移动平均模型，已经有很多相关的研究和理论对其数据特征进行了揭示。而在人工神经网络模型当中，其时间序列数据特征则是不同的。例如，构造一个输出节点、两个隐含节点、三个输入节点的双层神经网络。将双曲正切函数作为隐含节点的激活函数，将正比例线性函数作为输出节点的激活函数。通过相关的计算发现，就能够得出相应的时间序列数据。而在隐马尔科夫模型中，以三个给定的隐状态隐马尔科夫模型为例，通过相应矩阵给出转移概率。对初始概率分别给出一个特定的值，通过相应的计算，能够得出马尔可夫模型生成的数据。通过对该数据的偏相关和自相关的分析，能够实现对其平稳性的检验。 3 模型的对比和选择 经过对比研究能够看出，在这几种时间序列数据模型所生成的数据当中，自回归移动平均模型会生成满足平稳性的短期相关数据。人工神经网络模型会生成长期相关的数据，模型的结构决定了生成数据的平稳性。隐马尔科夫模型会生成一期相关的数据，在通过KPSS检验其平稳性时发现其不平稳。由此看来，在选择时间序列数据模型的时候，如果数据适应某个模型，就应当生成与该模型具有一致性特征的数据[2]。这是由于在一个长期相关的时间序列数据中，其产生模型不能是隐马尔科夫模型。因此，如果建立隐马尔科夫模型，就无法实现良好的预测和建模效果。对此，在选择时间序列数据模型的人工智能算法中，首先应当输入数据，然后检验数据的平稳性及其它一些相关性进行检验。最后，通过相应的命令和运算，就能够结束模型的选择过程。 4 结语 在当前社会的相关研究领域当中，时间序列数据在很多方面都具有着重要的应用。而对于不同的时间序列数据模型来说，其所产生的数据也各自具有不同的特征和作用。本文通过对三种较为常见的时间序列数据模型的分析，并在此基础上对不同模型产生的不同数据特征进行了分析和比对。通过分析和探讨，最终构成了模型选择的人工智能方法。通过分析和证实该方法，能够有效的提高模型的预测和计算精度。 参考文献： [1]徐南，马符讯，贾东振. 智能优化LSSVM算法的混沌时间序列边坡变形预测模型[J]. 测绘与空间地理信息，2015，02：9-11+17. [2]张人上，安俊娥. 基于智能集成架构的时间序列数据挖掘算法研究[J]. 火力与指挥控制，2015，03：67-71. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。