文档名：基于GOSSA和HMM的时间序列预测算法
摘要：时间序列具有非线性和不稳定性等特点,当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战,其预测精度无法保证.基于此,本文提出一种基于全局最优的麻雀搜索算法(GloballyOptimalSparrowSearchAl-gorithm,GOSSA)和隐马尔可夫模型(HiddenMarkovModel,HMM)相融合的时间序列预测模型(GOSSA-HMM).根据隐马尔可夫模型在模式识别和分类上的优势,对原始数据做差值处理并划分类别属性,以此作为隐马尔可夫模型的输入.采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练,以解决参数训练过程中存在的收敛速度慢,对初始值设置敏感的问题.将赋予类别属性的差值数据进行分段,利用改进之后的隐马尔可夫模型测算每段序列走势的概率,从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测.通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析,结果表明与当前主要时间序列预测算法相比,GOSSA-HMM训练的参数较少,计算成本较低,具有更好的预测精度和泛化能力.
作者：李大社 孙元威 阮俊虎 Author：LIDa-she SUNYuan-wei RUANJun-hu
作者单位：山东工商学院计算机科学与技术学院,山东烟台264000西北农林科技大学经济管理学院,陕西咸阳712000
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(9)
分类号：TP391
关键词：时间序列预测 隐马尔科夫模型 麻雀搜索算法
Keywords：timeseries hiddenMarkovmodel sparrowsearchalgorithm
机标分类号：TP391.41TN912.34R531.3
在线出版日期：2023年12月26日
基金项目：基于GOSSA和HMM的时间序列预测算法[
期刊论文] 电子学报--2023, 51(9)李大社 孙元威 阮俊虎时间序列具有非线性和不稳定性等特点,当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战,其预测精度无法保证.基于此,本文提出一种基于全局最优的麻雀搜索算法(GloballyOptimalSparrowSearchAl-gorithm,GO...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于GOSSA和HMM的时间序列预测算法 Time Series Prediction Algorithm Based on GOSSA and HMM
基于GOSSA和HMM的时间序列预测算法.pdf
- 文件大小:
- 5.25 MB
- 下载次数:
- 60
-
高速下载
|
