基于粒子群优化的神经网络与传统统计模型在季节性时间序列预测中的对比
神经与进化计算
2016-11-17 v1
摘要
季节性是许多实际时间序列中经常观察到的一种显著特征。人工神经网络 (ANN) 是一类用于有效识别和预测季节性模式的有前景的模型。本文利用粒子群优化 (PSO) 方法增强前馈神经网络 (FANN) 和 Elman 神经网络 (EANN) 模型对季节性数据的预测能力。文中考虑了基本 PSO 算法的三种广泛流行版本，即 Trelea-I、Trelea-II 和 Clerc-Type1。实证分析在三个真实世界的季节性时间序列上进行。结果清楚地表明，对于 FANN 和 EANN 模型，每种版本的 PSO 算法均取得了比标准反向传播 (BP) 训练方法显著更高的预测精度。还将神经网络的预测结果与三种传统统计模型的结果进行了比较，即季节性自回归积分滑动平均 (SARIMA)、Holt-Winters (HW) 和支持向量机 (SVM)。比较结果表明，对于所有三个时间序列数据集，基于 PSO 和 BP 的神经网络均优于 SARIMA、HW 和 SVM 模型。通过组合三个基于 PSO 的模型的输出，进一步提高了 ANN 的预测性能。
引用
@article{arxiv.1302.6615,
title = {PSO based Neural Networks vs. Traditional Statistical Models for Seasonal Time Series Forecasting},
author = {Ratnadip Adhikari and R. K. Agrawal and Laxmi Kant},
journal= {arXiv preprint arXiv:1302.6615},
year = {2016}
}
备注
4 figures, 4 tables, 31 references, conference proceedings