基于小波分析的时间序列数据挖掘

《基于小波分析的时间序列数据挖掘》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、第34卷第1期计算机工程2008年1月Vol.34No.1ComputerEngineeringJanuary2008·博士论文·文章编号：1000—3428(2008)01—0026—04文献标识码：A中图分类号：TP311基于小波分析的时间序列数据挖掘佟伟民，李一军，单永正(哈尔滨工业大学管理学院，哈尔滨150001)摘要：将小波分析和ARMA模型引入时间序列数据挖掘中。利用小波消噪对原始时间序列进行滤波，利用小波变换充分提取和分离金融时间序列的各种隐周期和非线性，把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于BP神经

2、网络和自回归移动平均模型的建模。利用小波重构技术将各尺度域的预报结果组合成为时间序列的最终预报。经过试验验证了该方法的实际有效性。关键词：小波分析；ARMA模型；神经网络；时间序列；数据挖掘DataMiningofTimeSeriesBasedonWaveletAnalysisTONGWei-min,LIYi-jun,SHANYong-zheng(SchoolofManagement,HarbinInstituteofTechnology,Harbin150001)【Abstract】Thispaperpresentswaveletme

3、thodandARMAmodelfortimeseriesdatamining.Accordingtothewaveletdenoisingandwaveletdecomposition,thehiddenperiodandthenonstationarityexistedinfinancialtimeseriesareextractedandseparatedbywavelettransformation.ThecharacteristicofwaveletdecompositionseriesisappliedtoBPnetwork

4、sandanAutoregressiveMovingAverage(ARMA)model.Finally,waveletreconstructionisusedtorealizetimeseriesforcaseting.Itshowsthattheproposedmethodcanprovidemoreaccurateresults.【Keywords】waveletanalysis;AutoregressiveMovingAverage(ARMA)model;BPnetworks;timeseries;datamining安全稳定的

5、时间序列预测在金融领域扮演了很重要的角个阶段，即小波去噪、小波分解、分解序列的预测和原始序色，这些方法主要有经典方法和基于人工智能(AI)的各种技列的预测。第1阶段是小波去噪，目的是消除时间序列中的术，古典的方法主要是基于统计理论的模型。智能方法包括噪声。小波分解的主要目的是得到时间序列在各个变换域中[1]神经网络和专家系统等方法。由于计算机技术的广泛应用，的小波分解序列和最后的尺度分解序列。第3阶段是利用BP时间序列预测方法取得长足进展，同时还产生了许多新方法，神经网络模型建模和预测各个变换域的小波分解序列，同时可利用的建模算法也很多

6、。如时域、频域和时-频域分析方法利用ARMA模型建模和预测最后的尺度分解序列。第4阶段是典型的3类时间序列分析方法，而在各个相应域中又可分的主要目的是利用小波重建技术将各个变换域中的预测序列[2]为线性模型、非线性模型和随机模型。典型的线性时域模合并产生系统短期时间序列的预测。型如回归分析，随机线性模型如自回归(AR)分析和滑动平均在图1中，原始序列表示任何需要分析的时间序列。其(MA)模型，非线性模型如神经网络，频域分析如谱估计，时中，第1级小波分解，第2级小波分解，⋯，第M级小波分-频域分析如窗口傅里叶变换、小波变换等，另外利用人类

7、专原始序列家经验知识和相似推理的专家系统方法以及人工神经网络[3](ANN)得到了深入研究。但是上述提到的方法中线性模型原始序列只能提取时间序列的整体的和时间全局的规律，几乎无法显小波去噪示任何短时事件和意外事件的影响；而像神经网络这样的非线性方法又正好相反，它更侧重于描述局部的和短期因素的第1级第2级…第M级第M级影响作用，要想适当照顾时间序列中隐藏的全局规律，则必小波分解小波分解…小波分解尺度分解须对神经网络的连接权系数进行十分麻烦的调整。ANN非常第1个第2个…第M个擅长描述变量之间的非线性关系，但是在实际应用时，网络BP神经网络

8、BP神经网络ARMABP神经网络…设计没有理论指导，而且当直接利用ANN实际学习和逼近时小波重构间序列中隐藏的高度的非线性关系时，往往需要大量的输入单元，使网络训练经常陷于局部极小且收敛速度很慢的窘境，时间