基于相似性分组引导的神经网络建模用于海事时间序列预测
计算工程、金融与科学
2019-05-14 v1 机器学习
信号处理
摘要
可靠且准确的时间序列预测在海事行业中起着关键作用，如经济投资、运输规划、港口规划与设计等。海事时间序列的动态增长具有显著的复杂、非线性和非平稳特性。为保障高质量预测性能，我们提出首先采用经验模态分解（EMD）和集合 EMD（EEMD）方法将原始时间序列分解为高频和低频分量。低频分量可通过传统神经网络（NN）方法直接轻松预测。由于其弱数学规律性，高频分量更难预测。为利用高频分量内固有的自相似性，将这些分量划分为若干连续小（重叠）段。随后选取具有高相似性的分组段，形成更合适的传统 NN 方法训练数据集。该重组策略有助于提升高频分量的预测精度。最终预测结果通过整合预测的高频与低频分量获得。我们提出的三步预测框架得益于时间序列分解与相似段分组。在港口货物吞吐量与船舶交通流上的实验均表明了其在预测精度和鲁棒性方面的优越性能。
引用
@article{arxiv.1905.04872,
title = {Similarity Grouping-Guided Neural Network Modeling for Maritime Time Series Prediction},
author = {Yan Li and Ryan Wen Liu and Zhao Liu and Jingxian Liu},
journal= {arXiv preprint arXiv:1905.04872},
year = {2019}
}
备注
12 pages, 11 figures