导　　师： 彭新一

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 目前,时间序列分析技术被广泛运用于工业、商业、科研等领域,以支持决策需要。在时间序列分析中,时间序列预测是一个非常重要的研究内容。该工作的主要任务是通过分析历史数据,建立预测模型,来预测未来值。一般而言,时序预测模型可分为两类:线性预测模型和非线性预测模型。其中,线性预测模型受限于自身结构及回归机制,对复杂系统产生的时序数据预测结果不够准确;非线性预测模型采用如人工神经网络等机器学习技术,在构建模型过程中需要经过反复的训练迭代,降低了模型构建的效率。另外,两者在建模过程中,过分依赖样本数值数据,构建的模型缺乏“可解释性”。而有时候可解释性是决策者比较关心的一个点。模糊认知图是一种知识表示图,在其因果网络中,神经元和权值对于问题域具有精确的意义。因此,结合模糊认知图建立的预测模型可具有可解释性。但是,传统的基于模糊认知图的预测模型(称之为Type-I型模糊认知图预测模型)在建模过程中没有考虑因果的不确定性。为解决上述问题,本文的主要研究内容包括:(1)概述传统时序预测模型的发展现状;(2)研究模糊认知图的知识表示与因果推理相关理论,结合二型模糊集合理论,提出了一种Type-II型模糊认知图(Type-II Fuzzy Cognitive Map,简记为T2FCM)预测模型,并采用四层神经网络结构来构建模型;(3)最后,为了验证T2FCM模型的时序预测能力,本文在两个重要的时间序列预测问题上开展实验,分别是Mackey-Glass混沌时间序列预测和金融领域股价预测,并对应比较了模糊时间序列模型、ARIMA模型及LSTM模型的预测结果。实验结果表明,基于Type-II型模糊认知图的预测模型在Mackey-Glass混沌时间序列预测和金融领域股价预测上有预测能力,并取得了较好的预测结果。

关 键 词： 时间序列预测 模糊认知图 模糊神经网络

领　　域： []