基于机器学习的时间序列预测方法研究与应用

随着科学技术的不断进步，时间序列预测方法得到了很大的发展，目前常用的时 间序列方法有传统的时间序列预测方法和基于机器学习的预测方法。这些方法 使用方便，操作简单，预测精度高，在业界得到了广泛的应用，但是这些方法 用在不同的数据集中结果精度差距较大，不具有通用性。因此，目前很多研究 者采用组合预测方法和混合预测方法来提高这些预测方法的通用性，通过将不 同的传统时间序列预测方法和基于机器学习的预测方法相结合，充分利用各个 模型的优点，尽可能地提高时间序列预测的精度。 本文首先提出一种新的时间序列预测方法BP-SARIMA-ANFIS，该方法组 合了反向传播神经网络(BP)、季节性差分自回归移动平均模型(SARIMA)和自 适应模糊神经网络系统(ANFIS)。该方法首先用BP、SARIMA和ANFIS对原始 时间序列数据进行预测，然后取三种方法得到的预测结果的加权平均值。权值 系数在组合预测模型中有着非常重要的作用，本文采用微分进化算法(DE)优化 BP-SARIMA-ANFIS方法的加权系数。通过对澳大利亚新南威尔士州的电力负 荷数据进行模拟，并将BP-SARIMA-ANFIS方法的预测