多元时间序列的特征表达及模型优化

含有混沌特性的复杂系统往往表现出多元时间序列间相互作用的动态变化特性。如何从多元时间序列中选择有效输入变量、优化模型结构，进而建立高精度的时间序列预测模型具有较强的理论价值与现实意义。本项目针对多元时间序列建模过程中冗余变量的引入可能导致的模型结构过于复杂、精度下降等问题，对下列内容进行研究：1)采用偏互信息、因果关系等方法分析多元变量之间的影响及驱动关系，给出描述多变量间相互作用关系的一般性结论；2) 在多元时间序列建模过程中，根据模型结构建立相应算法的惩罚函数，将变量选择同建模算法相结合，提出全新的多元时间序列模型算法；3)在完成多元时间序列模型框架的基础上，利用概率估计方法对模型参数进行最优估计，实现多元时间序列模型最优参数的自适应估计。本项目将复杂系统建模理论与人工智能方法相结合，为多元时间序列的结构优化提供新的思路和方法。

含有混沌特性的复杂系统往往表现出多元时间序列间相互作用的动态变化特性。针对多元时间序列的建模和预测问题，本项目从以下三方面进行了研究：1）采用二阶Renyi熵和Copula熵等对互信息进行估计，并设计了基于互信息的变量选择方法从多元时间序列中选择有效的输入变量；2）结合神经网络、支持向量机等方法，针对不同的预测问题，提出了几种具体的多元时间序列预测模型，并对预测模型的结构、训练算法等进行了优化；3）在建立多元时间序列预测模型的基础上，采用贝叶斯概率估计方法对模型的参数进行估计，避免复杂繁琐的参数设置，实现了参数的自适应调整。本项目对多元时间序列预测建模的变量选择、模型建立、参数优化等进行了积极的探索，取得了一批有价值的研究成果，发表论文50篇，录用论文6篇，其中SCI，EI检索共47篇次，并于2013年12月出版了专著《基于微粒群的神经网络预测控制理论及应用》、2011年12月出版了专著《基于储备池的非线性系统预测理论与分析方法》，培养博士、硕士研究生11人。研究成果对多元时间序列的建模与预测研究具有重要的参考价值。