邹 小 云

(湖北职业技术学院公共课部 湖北 孝感 432000)

0 引 言

在许多领域内均存在多元的时间序列数据[1]，如互联网中服务器的通信流量数据、虚拟现实技术的人体运动捕捉数据[2]和病人的脑电波实时监测数据等。多元时间序列一般伴随着高维数据的属性，导致多元时间序列的预测难度升高，且难以在合理的时间内取得理想的预测准确率[3]。

目前研究人员大多以时间为约束条件，以最大化预测准确率为研究目标，设计了不同的多元时间序列预测算法。文献[4]提出了基于无核相关向量机的多元时间序列预测算法，利用无核相关向量机不受核函数约束的特性，构建了高维特征空间。但无核相关向量机的非线性拟合能力不足，导致多元时间序列的预测准确率较低。文献[5]通过因子分析提取高维储备池状态矩阵的公因子，利用降维后的因子变量与期望输出之间的线性回归关系，求解神经网络的未知参数。文献[6]采用集群卷积神经网络对多元时间序列进行预测，提出了训练阶段新的数据结构，通过协方差矩阵对时间序列进行快速分类。该网络通过卷积运算和下采样自动对时间域特征和空间域特征进行选择，获得了较好的预测效果。但该网络模型需要实时更新卷积层参数、隐层单元数量和权重向量等超参数，训练时间过长。文献[7]通过递归神经网络预测多元时间序列的类别，该算法的准确率较高，但是对每个新到达时间序列需要很多轮数才能达到收敛。……