郑 丹

(合肥职业技术学院 安徽合肥 230000)

时间序列存在于社会生活中的各个领域，时间序列的预测与模型构建引起了各界学者关注。在长期研究中产生了对时间序列数据预测的各类模型，其中隐马尔可夫模型、自回归移动平均模型、人工神经网络模型最具代表性。但在现有研究中并未构建模型设计选择理论，同时各类模型的时间序列数据特性千差万别。为确保时间序列预测效果，应对各类模型展开详细分析，经对比后进行模型选择。

1时间序列分析中的人工智能模型基本原理

1.1隐马尔可夫模型

隐马尔可夫模型现阶段已在DNA序列分析、网络路径分析、语音识别、时间序列分析、文本信息提取等领域内被广泛应用，该模型为双随机过程，即观测值随机生成过程与马尔可夫链随机转移过程，而完整的隐马尔可夫模型由隐状态概率转移矩阵、隐状态集、相应状态表现型概率矩阵、模型输出表现型集合、初始隐状态概率分布构成，表示为拓扑结构。隐马尔可夫模型中包括向前-向后算法、维特比算法、Baum-Welch算法，三种算法主要用于解决模型计算、模型解码、模型训练三种问题[1]。在给定隐马尔可夫模型中，向前-向后算法可通过给定的隐马尔可夫模型计算某个可观测序列数据出现的概率，秉承递归思想，运用向前-向后算法在众多隐马尔可夫模型中寻找出最满足当前需求的模型结构，定义到时刻t时的观测序列为o1,o2…ot，此时的状态qi为向前算法……