高斯過程混合模型在時間序列預(yù)測中的應(yīng)用研究

《高斯過程混合模型在時間序列預(yù)測中的應(yīng)用研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號：密級：UDC：編號：河北工業(yè)大學(xué)碩士學(xué)位論文高斯過程混合模型在時間序列預(yù)測中的應(yīng)用研究論文作者：常和玲學(xué)生類別：全日制專業(yè)學(xué)位類別：工程碩士領(lǐng)域名稱：電子與通信工程指導(dǎo)教師：周亞同職稱：教授資助基金項目：河北省自然科學(xué)基金(F2013202254)、教育部人文社會科學(xué)研究規(guī)劃基金(F2013202254)ThesisSubmittedtoHebeiUniversityofTechnologyforTheMasterDegreeofElectronicsandCommunicationEngineeringGAUSSIANPROCESSESMIXTURE

2、WITHITSAPPLICATIONONTIMESERIESPREDICTIONbyChangeHelingSupervisor:Prof.ZhouYatongApril2017ThisworkwassupportedbyHebeiProvinceNaturalScienceFoundation(F2013202254).HumanityandSocialScienceFoundationofEducationofChina(F2013202254).摘要高斯過程混合(GPM)模型近年來在機器學(xué)習(xí)領(lǐng)域備受關(guān)注。GPM由多個高斯過程(GP)模型依據(jù)設(shè)定的門限函數(shù)

3、組合而成。GPM模型較之于GP模型的優(yōu)勢集中于兩個方面：一是能夠精細(xì)的描述多模態(tài)數(shù)據(jù)，二是縮短了模型參數(shù)估計時間。本文重點研究高斯過程混合模型及其改進模型在時間序列多模態(tài)預(yù)測中的應(yīng)用，主要工作如下：(1)基于高斯過程混合模型的短時高速交通流量多模態(tài)預(yù)測交通流量序列具有動態(tài)性、時間相似性及非平穩(wěn)隨機性等特征，是智能交通管理系統(tǒng)(ITS)精準(zhǔn)運行的核心保障。以往的預(yù)測模型未有以時間相似性即多模態(tài)特征為切入點實現(xiàn)提高預(yù)測準(zhǔn)確度。針對上述問題，提出將GPM模型應(yīng)用于交通流量預(yù)測。該模型采用分治策略，根據(jù)多模態(tài)特征將樣本劃分到不同組別，每組單獨采用GP模型進行訓(xùn)練。實驗

4、結(jié)果表明：GPM模型既能通過精細(xì)擬合學(xué)習(xí)樣本獲取訓(xùn)練參數(shù)，提高多模態(tài)預(yù)測準(zhǔn)確度，又能降低矩陣求逆計算時間。模型訓(xùn)練算法采用最大期望算法(EM)，將EM與當(dāng)前另兩種GPM模型的主流學(xué)習(xí)算法Variational和LooCV進行比較，發(fā)現(xiàn)在參數(shù)訓(xùn)練時間、預(yù)測精確度及抗噪性能等方面，EM學(xué)習(xí)算法均能獲得更好的效果。(2)基于稀疏高斯過程混合模型的電力負(fù)荷和交通流量多模態(tài)預(yù)測GPM模型雖然能通過分治策略降低矩陣維度減少訓(xùn)練時間，但對于樣本過大的時間序列，訓(xùn)練時間依舊較長。針對此問題，提出將稀疏高斯過程混合模型（Sparse-GPM）應(yīng)用于電力負(fù)荷和交通流量預(yù)測。核心改

5、進在于將學(xué)習(xí)樣本依據(jù)設(shè)定的門限函數(shù)分組后，每組借助很少的具有代表性的偽輸入樣本近似逼近原輸入樣本進行獨立訓(xùn)練，進一步減少矩陣求逆時間。實驗表明Sparse-GPM可較好的進行多模態(tài)預(yù)測，另將Sparse-GPM的三種學(xué)習(xí)算法即EM算法、Loocv和Variatonal算法在訓(xùn)練時間、精度、抗噪性等方面進行對比，結(jié)果表明Sparse-GPM的EM算法均能取得更好結(jié)果。(3)基于高斯過程混合模型的鋰離子電池剩余使用壽命預(yù)測鋰離子電池剩余使用壽命預(yù)測(RUL)與其容量退化軌跡密切相關(guān)，由于自充放電過程中存在容量可再生現(xiàn)象，導(dǎo)致容量退化軌跡呈現(xiàn)單調(diào)且多峰特征，將GPM

6、模型應(yīng)用于該單調(diào)多峰的時間序列預(yù)測。首先依據(jù)多峰特征對學(xué)習(xí)樣本分組，然后每組通過GP模型單獨訓(xùn)練，由此可更精準(zhǔn)擬合多峰狀態(tài)。將此模型應(yīng)用于美國國家航天局(NASA)卓越故障診斷中心的商用1850型可充電鋰離子電池，同時與GP模型和SVM就預(yù)測容量的準(zhǔn)確性及剩余使用壽命方面進行對比，結(jié)果顯示GPM模型相較于GPI模型具有較高的計算準(zhǔn)確度，同時與SVM相比預(yù)測精確度相當(dāng)，但GPM能輸出預(yù)測置信區(qū)間，提供更多的預(yù)測信息。關(guān)鍵字：高斯過程混合模型時間序列預(yù)測短時高速交通流量預(yù)測短期電力負(fù)荷預(yù)測鋰電池剩余使用壽命預(yù)測IIABSTRACTGaussianProcessMi

7、xture(GPM)modelhasbeenpaidmuchattentiontomachinelearninginrecentyears.GPMiscomposedbymultipleGaussianprocess(GP)modelswhichbasedonthesetthresholdfunctioncombination.GPMmodelissuperiortoGPmodelintwoaspects:First,itcandescribethemultimodaldatapreciselyandtheotheristoshortenthemodelpar

8、ameterestimationtim