论文部分内容阅读
在自然科学和社会生产各种领域工作中,需要进行大量决策,而决策问题离不开预测。预测是基于历史数据对未来事物发展的一种探索。预测问题可以来源于任何类型的数据集。有一类数据被称为时间序列数据,基于时间序列数据的时间序列预测问题研究如何有效地挖掘数据在时间维度发展的潜在关系,对数据的未来发展做出预测。在现实应用中,有些问题仅考虑时间维度的信息往往不能满足问题的解决条件和不断增长的多维数据应用需求,增加空间维度信息的时空预测方法既可以考虑时间特征,也考虑空间特征的影响。本文中提出了两种预测模型,分别解决时间序列预测和时空预测中所存在的主要问题。具体如下:影响时间序列预测模型的准确性与鲁棒性下降的主要原因在于时间序列数据的非平稳性特征。对道路交通流的预测是典型的时间序列预测问题,本文将以短时交通流预测为主要应用,提出一种非平稳环境下的短时交通流预测算法。首先,本文利用季节模型的思想处理交通流数据,消除其非平稳性。选择支持向量回归(SVR)作为预测的基本方法,使用核函数将低维交通流数据转化到高维空间,构造线性决策函数将回归预测问题转化为凸二次规划问题,通过结构风险最小化原理获得最优解。机器学习模型的超参数优化问题一直是困扰机器学习应用发展的一个主要问题,对此,本文提出了一种自动参数优化的方法。将模型的超参数优化过程视为一个黑盒函数寻优过程,通过贝叶斯优化方法获得函数的最大值,利用高斯过程构造目标函数的先验概率模型,再通过贝叶斯理论来计算出后验概率。多次迭代之后,得到最优超参数组合,使得预测模型可以获得最佳学习效果。通过对比实验验证,所提出的模型具有良好的预测精度和稳定性。时空预测的难点主要在于时空结构信息的有效提取。本文以基于雷达数据时空外推的短期降雨预测为主要应用,研究短时时空预测,提出一种有效获取提取时空结构信息的深度神经网络模型用于短期降雨回归预测。针对雷达图像时间序列数据样本,本文首先用一组卷积神经网络(CNN)提取雷达图像所蕴含的空间信息,完成气象空间特征编码。在此之上,将提取的特征图作为长短期记忆网络(LSTM)的输入,通过LSTM来提取雷达特征图像时序上的相关性,完成雷达气象图时间维度的特征学习。卷积神经网络与LSTM的融合,有效地提取了雷达图像的时空特征,最后通过全连接层输出,完成降雨量回归预测,构造了完整的雷达外推短期降水预测框架。基于真实采集数据的实验验证了所提出算法的具有良好的预测精度。