科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点，提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数，将时间序列按照其变化规律分成不同的类别，并在GM算法中针对白化参数进行优化，对科学数据时间序列进行自组织聚类，针对各类别采用灰色理论建立预测模型。试验表明，该模型适合科学数据的变化特点，提高了预测精度。
关 键 词 神经网络; 灰色理论; 时间序列; 预测

Traditional methods have poor efficiency and effect to deal with the scientific data series forecasting. In this paper, a forecasting algorithm based on grey theory and self-organized map neural networks is proposed. Firstly, the scientific data time series cluster in self-organized mannar. Then the forecast model is established with grey theory. In clustering, a distance criterion is proposed to scale the difference between series. In grey theory, the whiten parameter is optimized. The experiments show that this algorithm surpasses those traditional forecasting methods in precision and time efficiency.
Key words neural network; grey theory; time series; forecasting

大规模科学计算是对连续变化的科学现象进行离散抽样的数值模拟，计算过程除需花费大量的计算资源外，还必然会产生大规模的数值模拟数据。仿真物理现象的数值模拟数据由数值计算程序通过一系列时间步产生，是对连续空间数据离散采样、带有网格结构的时间序列[1-2]。当数据规模增大时，时间序列的分析和处理都因为数据特征复杂、规模庞大而难以进行。数值模拟应用中，大规模科学数据的时间序列分析[3-5]，已经成为影响科学数据挖掘的一个重要瓶颈问题。
科学数据具有几何特性、拓扑结构、物理属性和时变性四个基本特征。特别是对于时变性来讲，存在对时间规则的网格数据和对时间步间隔变化的网格数据。常用的时间序列分析方法假定数据时间间隔相等，因此不适于科学数据时间序列分析。影响科学现象的物理因素是多种多样的，各种各样的物理因素对物理现象的具体影响仍需进一步研究，因此对科学数据时间序列的预测常具有灰色性特征。本文建立灰色预测模型，即以自组织神经网络聚类后的时间序列为基础，运用灰色模型预测科学数据时间序列的变化。