时间序列数据模型的人工智能算法

龙源期刊网 http://www.qikan.com.cn

时间序列数据模型的人工智能算法

作者：林兆兵

来源：《科技经济市场》2015年第12期

摘 要：时间序列数据模型是当前科研领域当中一种十分重要的构成部分。而在当前很多关于时间序列数据的预测、仿真、建模等方面的研究，在分析过程中大多是直接分析某种模型，因而具有极大的局限性。对于自回归移动平均模型、人工神经网络模型、隐马尔科夫模型等时间序列分析常用的人工智能模型，在选择研究模型时，可采用仿真对比的方法进行。通过研究表明，不同模型的生成，其时间序列数据的数理特征是不同的，这也在选择模型的时候提供了依据。

关键词：时间序列；数据模型；人工智能算法

0 前言

在人们的日常生活和生产当中，时间序列数据的存在和应用十分广泛。人们对于时间序列数据模型的预测、建模等方面的研究也越来越重视，因而产生了很多预测、分析、建模该类数据的模型。时间序列数据本身具有十分不同的特征，例如，长期、中期、短期等。在实际应用中，描述短期相关的模型，无法应用于长期相关的时间序列数据。对此，利用计算机智能，对时间序列数据进行更好的分析，从而提高建模的针对性，才能得到更加准确的结果。 1 主要的时间序列数据模型

（一）自回归移动平均模型

该模型主要用于预测和拟合时间序列数据的趋势，其作用是建立平稳时间序列的模型。在该模型当中，融合了移动平均模型、自回归模型等。对于系统中过去噪声、过去模式等方面的记忆，能够进行分别描述。在该模型的相关系数算法中，矩方法和极大似然估计方法是其中应用较为广泛的算法。

（二）人工神经网络模型

此种模型在1943年才开始进行近代研究，随着计算机技术的发展，计算机学者们逐渐注意到这方面的研究。由此研究产生了自组织网络、时间前馈网络、递归网络、映射网络等多种网络组织形式。在1974年，研究出了该模型的训练算法，即反向传播算法。该模型在信号处理、工程控制、数值计算等方面问题的研究当中，得到了良好的应用。此外，还包括时间序列数据的预测、建模等问题。

（三）隐马尔科夫模型