周春楠，黄少滨，迟荣华，李雅，郎大鹏



基于谱聚类的高阶模糊时序自适应预测方法

周春楠，黄少滨，迟荣华，李雅，郎大鹏

（哈尔滨工程大学计算机科学与技术学院，黑龙江哈尔滨 150001）

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想，根据样本数据特征获取其所属论域的个数及范围，实现向模糊时间序列的自适应转化；然后基于Markov概率模型表示模糊时间序列中的模糊关系，从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解；最后获取预测值的可能模糊状态，进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。

模糊时间序列；谱聚类；论域划分；Markov概率模型；模糊关系

1 引言

时间序列数据是在自然界、工程技术以及经济社会等领域广泛存在着的一种重要数据类型，如气象上的降水量和气温数据、天文上的太阳黑子数据、经济领域的GDP和股指数据、医学上的心/脑电波序列、移动通信行业的话务流量、复杂工业系统运行过程中的状态监测数据等均属于时间序列数据。对时间序列数据研究的一项主要内容就是时间序列的预测，即根据历史时间序列数据发现数据的内在特性和发展规律，并构造随时间变化的序列模型，然后基于一定的规则推测未来的数据，从而为相应领域的决策提供依据。

时间序列数据包括线性和非线性数据，相应的预测（建模）方法也分为线性方法和非线性方法。……