基于机器学习与极值理论的关联随机时间序列分析及其在树木年轮数据中的应用

机器学习(ML)的主要目标是研究并改进可由环境所提供数据训练的数学模型，以推断未来并在未必完全掌握所有影响因素的情况下做出决策。本文描述了ML如何成为气候建模研究中的有力工具。树木年轮生长被用作多方面的实现示例，例如研究建筑与环境的沿革。树木随着时间推移，在树皮下方逐年生长出新的木质层。经过多年生长后，可通过一系列年轮宽度施加时间序列。本文旨在运用ML算法与极值理论，分析来自诺丁汉郡九棵树木的一组年轮宽度数据。我们首先通过多种描述性统计方法对数据进行探索。在此阶段，数据变换对于发现建模算法中的问题十分重要。随后，我们使用算法调参与集成方法来改进k近邻(KNN)算法。本研究提出的方法与其他方法进行了比较。此外，还对数据集的极值作了进一步考察。分析结果表明，随机森林方法中的ML算法在分析诺丁汉郡九棵树木的年轮宽度数据时给出准确结果，且具有最低的均方根误差值。我们还注意到，随着所假定ARMA模型参数的增加，选中真实模型的概率也随之提高。就极值理论而言，威布尔分布将是建模树木年轮数据的良好选择。