基于情景聚类与经验模态分解的弱可用多元时间序列预测方法

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究进展

1．2．1 预测计算方法研究进展

1．2．2 弱可用多元时间序列挖掘研究进展

1．3 本论文研究内容及结构安排

第二章 弱可用多元时间序列预测方法总体框架

2．1 弱可用多元时间序列预测方法总体架构

2．2 弱可用多元时间序列预处理模块设计

2．3 弱可用多元时间序列细粒度分解模块设计

2．4 基于Adaboost的组合预测模块设计

2．5 基于MPCSO-SVM的分量预测结果重组模块设计

2．6 实验数据及误差指标简介

2．7 本章小结

第三章 弱可用多元时间序列预处理

3．1 弱可用多元时间序列预处理模块的总体设计

3．2 弱可用多元时间序列的集成规约、变换与缺失值填补

3．3 基于稀疏分解的弱可用多元时间序列去噪

3．3．1 去噪方法概述

3．3．2 基于稀疏分解的弱可用多元时间序列去噪方法

3．3．3 冷负荷弱可用多元时间序列去噪的仿真与分析

3．4 弱可用多元时间序列的主成分分析降维

3．5 本章小结

第四章 弱可用多元时间序列细粒度分解

4．1 弱可用多元时间序列细粒度分解模块的总体设计

4．2 因素自适应情景聚类方法

4．2．1 情景分析方法概述

4．2．2 自适应情景聚类方法

4．2．3 情景分类方法

4．3 序列值EMD分解方法

4．3．1 EMD多尺度分解方法概述

4．3．2 多元时间序列的序列值EMD分解

4．4 基于情景聚类与EMD分解的多元时间序列细粒度分解

4．5 冷负荷弱可用多元时间序列细粒度分解的仿真与分析

4．6 本章小结

第五章 基于Adaboost的组合预测

5．1 组合预测模块的总体设计

5．2 组合预测方法概述

5．3 备选弱预测器

5．3．1 径向基神经网络(RBFNN)预测算法

5．3．2 最小二乘法支持向量机(LSSVM)预测算法

5．4 基于Adaboost的弱预测器自适应选择组合预测方法

5．5 冷负荷弱可用多元时间序列组合预测的仿真与分析

5．5．1 闭集预测(CSP)结果

5．5．2 开集预测(OSP)结果

5．5．3 冷负荷弱可用多元时间序列仿真实验小结

5．6 本章小结

第六章 基于MPCSO-SVM的分量预测结果重组

6．1 分量预测结果重组模块总体设计

6．2 基于MPCSO优化参数的SVM分量预测结果重组方法

6．2．1 补偿误差方法概述

6．2．2 SVM分量预测结果重组方法的参数问题

6．2．3 基于MPCSO的SVM重组参数优化方法

6．3 冷负荷弱可用多元时间序列分量预测结果重组的仿真与分析

6．3．1 闭集预测(CSP)重组结果

6．3．2 开集预测(OSP)重组结果

6．3．3 冷负荷弱可用多元时间序列重组仿真实验小结

6．4 本章小结

总结与展望

参考文献

攻读硕士学位期间发表的论文

声明

致谢