基于周期性建模的时间序列预测方法及电价预测研究.docx

基于周期性建模的时间序列预测方法及电价预测研究 本文研究基于周期性建模的时间序列预测方法，以解决时间序列预测中的复杂非线性问题。时间序列数据在现实生活中广泛存在，例如金融领域中的交易数据和经济统计数据、消费电商领域中的用户浏览和购买数据、医疗领域中的医疗器械的信号记录、天气监测站记录的天气指标数据等。这些时间序列数据是相应领域非常宝贵的数据资源，对这些数据的准确、有效分析和利用有助于减小人力成本，提高生产效率，提高经济收益。 传统的时间序列分析方法源自于自回归模型（Autoregressive model, AR）和移动平滑模型（Moving average, MA）。自回归移动平滑模型（Autoregressive model and moving average, ARMA）和在其基础上发展起来的自回归差分移动平滑模型（Auto-regressive integrated moving average, ARIMA）是时间序列分析的经典方法。另外，自回归条件异方差模型（Autoregressive conditional heteroscedasticity, ARCH）和广义自回归条件异方差模型（Generalized autoregressive conditional heteroscedasticity, GARCH）引入了异方差，对时间序列的波动性进行建模。 基于机器学习的支持向量机回归（Support vector regression, SVR）和核岭回归（Kernel ridge regression, KRR）等方法在时间序列分析上已经有大量的研究。随着深度学习理论的发展，循环神经网络（Recurrent neural networks, RNNs）已经成为处理时间序列数据的主流，在大量应用场景中取得了不俗的效果。回声状态网络（Echo state network, ESN）也是时间序列预测的常用模型。 传统的时间序列分析方法基于平稳性假设，对短期平稳的时间序列有较好的预测效果，但是难以对复杂非线性时间序列数据进行有效建模。SVR 和 KRR 等机器学习方法使用滑动窗口的方式处理预测序列，忽略了时间序列数据的序列属性，不能很好地捕捉时间序列中的长时依赖。同时 SVR 和 KRR 受限于模型容量，难以达到预测非线性时间序列的最佳效果。 深度神经网络由于其超强的拟合能力，在复杂非线性时间序列数据的处理方面有着天然的优势。同样对于分割后的序列窗口，深度神经网络仍能从中捕捉时间序列的长期依赖。 能源领域是产生大量时间序列的领域，如电力用量数据、风力序列数据、太阳能数据和电力价格数据等。其中，电力价格是能源市场上的关键因素，影响着能源市场的流通和运行。能源市场的自由属性使电力价格具备了金融商品性质，但其还受到电力传输和需求量的影响。 基于周期性建模的时间序列预测方法可以很好地捕捉时间序列中的周期和趋势，提高预测精度。本文提出的模型结合时间序列周期分解的思想，设计了循环神经网络的周期损失和趋势损失，分别对时间序列中的周期和趋势进行辅助建模。在多任务学习框架下，将周期损失、趋势损失和模型自身的损失函数相结合，联合优化循环神经网络。实验结果表明，本文提出的模型可以取得较好的预测精度，验证了周期和趋势对时间序列预测的作用。