孙志伟 贾洪川 马永军

(天津科技大学计算机科学与信息工程学院 天津 300457)

0 引 言

时间序列是按时间顺序记录的一组数据，通常是在等间隔时间内，根据一定的采样率对某种过程进行观测的结果[1]。时间序列普遍存在于交通、金融、物流和工业诸多领域，如天气数据的变化、股票价格序列的变化以及电力负荷的变化等。时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势，而时间序列预测方法的核心就是从数据中挖掘出这种规律，并利用其对将来的数据作出估计[2]。

关于时间序列的数据挖掘技术也成了现在的研究热点。随着数据量的增加，高维度、大容量、高复杂性的多变量时间序列预测已成为许多研究的焦点[3]。然而多变量的时间序列往往存在着大量的冗余变量，容易掩盖重要变量的作用,对预测模型的建立产生负面的影响[4]。因此需要进行数据降维处理，常用的数据降维的方法包括特征提取和特征选择。特征提取是指利用算法将输入的特征空间映射到一个维度较低的空间。最为经典的特征提取方法就是主成分分析法(PCA)，它通过线性变换用低维数据来代替多维数据，保留了数据原有信息。而特征选择是根据一定准则或某种评估标准剔除冗余特征选出最优的特征子集，再将选择后的特征子集作为输入到合适的预测模型进行预测[5]。这将提高目标时间序列的预测效果以及预测效率。

Lasso(least absolute shrinkage and selection operator)算法通过缩小系数或消除系数来强制模型丢弃无关信息来进行特征选择。……