关于时间序列预测的机器学习方法研究及应用

简介：
本研究聚焦于探究时间序列预测领域内的多种机器学习技术，并探讨其在实际问题中的应用效果。通过对现有模型的分析与改进，提出了一套高效的时间序列预测方案。 随着科学技术的进步，时间序列预测方法取得了显著的发展。目前常用的时间序列预测技术包括传统的方法和基于机器学习的模型。这些方法因其使用便捷、操作简单以及高精度的特点，在业界得到了广泛应用，但它们在不同数据集上的表现差异较大，并不具备通用性。 为了提高这类预测方法的适用性和准确性，许多研究者开始采用组合预测与混合预测策略，通过结合不同的传统时间序列分析技术和基于机器学习的方法来利用各自的优点。本段落提出了一种新的时间序列预测技术——BP-SARIMA-ANFIS，该模型融合了反向传播神经网络(BP)、季节性差分自回归移动平均(SARIMA)以及自适应模糊推理系统(ANFIS)，以期提高预测精度。 具体来说，在使用BP、SARIMA和ANFIS分别对原始时间序列数据进行初步预测后，该方法会计算三种模型输出结果的加权平均值作为最终的预测。在这个过程中，权重系数的选择至关重要。为了优化这些系数，本段落采用了微分进化算法(DE)来调整BP-SARIMA-ANFIS组合模型中的参数。 最后通过模拟澳大利亚新南威尔士州电力负荷数据集验证了该方法的有效性，并展示了其在实际应用中的潜力。