计算机与现代化

• 算法分析与设计 • 上一篇    下一篇

马尔科夫模型改进的时间序列预测算法研究

  

  1. 1.武汉邮电科学研究院,湖北武汉430074；2.南京烽火星空通信发展有限公司,江苏南京210019
  • 收稿日期:2014-09-05 出版日期:2014-11-27 发布日期:2014-12-10
  • 作者简介: 戴曾(1987-),男,辽宁沈阳人,武汉邮电科学研究院硕士研究生,研究方向：社交网络； 廖闻剑(1970-)，男，南京烽火星空通信发展有限公司教授级高工，博士，研究方向：信息安全 ，海量数据挖掘，网络行为分析； 彭艳兵(1974-)，男，博士，研究方向：网络行为分析，海量数据挖掘。
  • 基金资助:
    江苏省科技支撑计划（BE2011173）

Research on Time Series Prediction Algorithm Improved by Markov Model

  1. 1. Wuhan Research Institute of Posts and Telecommunications, Wuhan 430074, China；
      2. FiberHome StarrySky Co. Ltd., Nanjing 210019, China
  • Received:2014-09-05 Online:2014-11-27 Published:2014-12-10

被引次数

2

摘要：

 时间序列的传统预测方法能够很好地拟合和预测平稳时间序列，对于非线性非平稳的时间序列数据预测效果不好。为解决该问题，文本提出一种改进的预测算法。通过小波分解和单边重构
，原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法GARCH模型预测，高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间，结合指数平滑法，预测出高
频结果。与低频数据结果叠加得到最终预测结果。经误差比较，改进算法预测精度有较大提升。

关键词:  , 预测算法, 时间序列, 小波分析, 马尔科夫模型, 指数平滑法

Abstract:

The traditional time series prediction algorithm can well simulate and predict the stable time series data, but not so well to the series of nonlinear and non
-stationary. To solve this problem, an improved algorithm comes up. Through the wavelet decomposition and single reconstruction, the original time series is decomposed into a
layer of low frequency data and two layers of high frequency data. The GARCH model is used to forcast the low frequency data, the improved algorithm is used to forecast the two
layers of high frequency data. Through Markov model predicting the state interval, with the smoothing coefficient, the high frequency data is predicted. The final forecasting
result comes from the superposition of the three layers of prediction result. Through the error test, the accuracy of the improved algorithm has a major improvement.

Key words: prediction algorithm, time series, wavelet analysis, Markov model, smoothing coefficient

版权所有 © 《计算机与现代化》编辑部
地址：江西省南昌市西湖区井冈山大道1416号　邮编：330003
电话：0791－86490996　 传真：0791-86492535　 Email：jgsdd@163.com
本系统由北京玛格泰克科技发展有限公司设计开发