胡 艳

(广西财经学院防城港学院 广西 南宁 530003)

0 引 言

在许多工程应用领域中均存在时间序列类型的数据，对时间序列的挖掘处理必须考虑数据间的时间关系，从复杂的海量时间序列中挖掘有价值的知识，具有重要的意义[1-2]。混沌时间序列是一种由非线性动力系统所产生的复杂行为，是一种普遍存在的不规则运动，典型的混沌时间序列包括煤矿瓦斯浓度[3]、航站楼离港旅客流量[4]和数控机床热误差时间序列[5]等。许多研究表明混沌时间序列具备短期内的可预测性[6-7]，因此混沌时间序列的预测成为当前的一个热门研究领域。在多变量的混沌时间序列问题中，容易出现多重共线性的现象，多变量之间由于存在高度相关性，导致预测模型的泛化能力有限，预测性能降低，容易陷入局部极小，且收敛速度慢[8]。

利用统计机器学习和深度学习技术对时间序列进行在线预测是当前最为常见的一类方法，而向机器学习或神经网络加入多重非线性的处理机制存在一定的困难。文献[9]为极限学习机的权重调节矩阵引入惩罚因子，通过惩罚因子降低高相关性变量的权重，从而缓解了多重共线性的效应。文献[10]为神经网络的输出权重设计了平滑处理机制，通过正则项缓解混沌时间序列的多重共线性效应。现有的多重共线性解决机制大多通过增加一个独立的检测和调节模块，而这些模块一般也通过若干次的迭代学习搜索最佳的输出权重矩阵，导致计算负担较重。……