【硕士论文】基于周期的贝叶斯网络预测模型.pdf

《【硕士论文】基于周期的贝叶斯网络预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、摘要摘要动态贝叶斯网络是对动态系统进行建模和状态估计的重要工具之一。其最突出的优点是：能方便处理不确定性，并且其预测结果也更可靠更合理，因此成为近年国内外研究的热点。许多统计模型的变量变动具有一定的特性，例如周期性等。股市的“艾略特波浪理论”就是状态时问序列变化规律的一个特例。然而，现有贝叶斯网络预测模型大多忽视了这些性质。本文应用时间序列分析的一般方法，通过分析状态变量周期性，分别从三个不同的角度建立了基于周期数据的贝叶斯网络预测模型。本文的贡献包括以下几个方面：对于有周期特性的数据，通过增加相应的状态变量提出一种基于周期

2、性数据的动态贝叶斯网络预测模型。由于充分考虑到原问题的周期特性，因此有效的提高了预测的精确度。特别的，应用于我国l乜力增长率问题，该模型取得较好的效果。对于周期变动明显的数据，通过引入周期状态转移矩阵，提出了一种基于周期的一阶隐马尔可夫模型，分析并给出了该模型的似然计算、隐状态估计和模型训练的算法。最后，数据模拟验证该模型能有效提高预测的精确度和模型的似然度，并加快模型训练的收敛速度。对丁．贝叶斯网络结构有周期特性的数据，通过引入周期性网络结构，提出了一种周期性动态贝叶斯网络结构学习。最后，数据模拟验证该模型能有效提高预测的

3、精确度。关键词：周期性，动态贝什I‘斯网络，状态转移矩阵，一阶隐马尔可夫模型，K2算法第一章绪论第一章绪论1．1引言二十一世纪，．各种技术如雨后春笋般出现，令人应接不暇，其中，信息技术尤为引人注目。随着信息技术的到来，人们越来越意识到信息的重要性，同时如何有效的保存和利用大量的信息成为我们不得不面临的问题。类似G008te和Baidu这样方便的网络检索工具【1】使得信息的保存和检索问题得以很好的解决，而网络的急速发展带来信息的爆炸式增长，面对海量信息，人们突然之间感觉有些棘手。作为世界上最大的数据仓库之一的美国零售商系统Wa

4、[·Mart，其数据容量在1996年就高达11TB[2]，2000年高达101TB，每天还以2亿左右的交易数据剧增。面对如此浩瀚的数据海洋，人们开始觉得很为难，一方面很难及时处理过剩信息，如何进行信息取舍成为问题；另一方面在超大规模数据中检索有价值的信息成为难题。很明显，仅靠数据库的查询检索【10】机制和统计等分析方法已经远远不能满足人们的需要。目前的数据库系统所能做到的只是对数据库中已有的数据进行存取，而人们需要的是隐藏在这些数据之中的更重要的信息，包括关于这些数据的整体特征的描述及其发展趋势的预测，因为这些信息在决策生成

5、过程中具有重要的参考价值。这就需要一种新的技术和工具来帮助我们智能地、自动地分析这些原始数据，把隐藏在大量数据背后的有价值的知识提取山来，以便更好地为决策支持服务。1．2研究意义信息中包含大量的数据，如何把大量的数据转化为有用的知识是我们面临的一个重要课题。图形模式具有多功能性、有效性及开放性等特征，能有效地转化数据为知识，并利用这些知识进行推理，以解决分类、回归、聚类、联合预测、依赖和因果分析等问题。图论模式因其有效性已在软件智能化、医疗和故障诊断、金融风险分析、气象分析与预测、DNA功能分析及Web采掘等方面得到验证。作

6、为图形模式的一种，贝叶斯网络具有图形模式的大多数性质，很快就成为数据挖掘领域进行不确定性知识推理和建模的一个有效工具。自八十年代开始，贝叶斯网络已经应用于专家系统，表示不确定知识和推理问题。随着数据库规模的不断扩大，贝叶斯网络开始逐渐应用于大规模数据库的数据挖掘和知识发现，从而为决策支持提供更强更有力的手段。到现在，贝叶斯网络已经成为数据库知识发现和决策支持系统的有效方法之一。本文主要研究面向智能信息处理的贝叶斯网络的基础理论与方法研究，并将其用于解决实际问题。伴随着数字网络和计算机的普及，数据收集的速度越来越快，对堆积如山

7、的数据的处理与理解已经成为计算机科学家与工程师所必然面临的挑战。适应这一迫切的任务需求，数据挖掘作为理论性与应用性结合最为密切的一个研究领域迅速的发展起来。本文研究贝叶斯学习理论及其应用，具有以下意义：贝叶斯学习理论将先验知识与样本信息相结合、依赖关系与概率表示相结合，是数据挖掘和不确定性知识表示的理想模型。与数据挖掘中的其它方法如：规则表示、决策树、人工神经网络等相比，贝叶斯学习还具有以下优点。贝叶斯学习能够方便的处理不完全数据。例如考虑具有相关关系的多个输入变量的分类或回归问题，对标准的监督学习算法而言，变量间的相关性并

8、不是它们处理的关键因素，当这些变量中有某个缺值时，它们的预测结果就会出现较大的偏差。而贝叶斯学习【s]N提供第一章绪论了较为直观的概率关联关系模型。贝叶斯学习能够学习变量间的因果关系。因果关系是数据挖掘中极为重要的模式。有两个原因：在数据分析中，因果关系有利于对领域知识的理解，在干扰较多时