| 【中文题名】 | 一种基于时间序列指数平滑的决策支持算法的研究 |
| 【英文题名】 | Research of the Decision Support Algorithm Based on Exponential Smoothing of Time Series |
| 【学科专业】 | 计算机软件与理论 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-7-30 |
| 【中关键词】 | 时间序列,指数平滑,改进折半查找法,动态指数,预测精度, |
| 【英关键词】 | Time series,Exponential smoothing,IDS,Dynamic index exponent,Accuracy of prediction, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
近年来，时间序列预测分析法在建立非线性模型进行经济预测方面受到广泛的重视和研究。而作为其重要分支之一的指数平滑法，因为操作简单、适用性强、性能优良、应用广泛而成为经典的预测与控制模型。但是指数平滑法始终有三个问题没有得到很好的解决：第一是静态的平滑参数难以适应时间序列自身的变化；第二是对平滑参数取值的选择更多的是依赖人们的经验，而如此确定的值难以达到最佳值；第三是平滑初始值很难确定。本文就是从上述三个难点入手，提出了一种基于改进的折半查找法和改进的动态指数的新型指数平滑模型，比较好的解决了上述三个问题，并在文章最后用实验进行了验证。
首先，本文给出了三种指数平滑方法的定义，并分析了每种方法的特点，预测方法的选取主要取决于三种方法的差异性。
其次，本文介绍了折半查找法，并给出了改进的折半查找法的建立过程和使用方法。
然后，通过对原动态指数平滑方法进行研究，建立了一种改进的自适应权重的动态指数平滑模型，并应用改进折半查找算法对平滑参数进行了优化。以此为基础设计了预测分析系统，对股票价格、国民生产总值、某港口吞吐量等不同的经济指标进行了预测分析。
最后，实验结果表明，采用上... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
Abstract |
6-10 |
|
第1章 绪论 |
10-20 |
|
1.1 课题研究背景 |
10-14 |
|
1.1.1 时间序列分析法的产生及概述 |
10-13 |
|
1.1.2 预测方法综述 |
13 |
|
1.1.3 指数平滑模型的发展 |
13-14 |
|
1.2 指数平滑法的优点及应用 |
14-17 |
|
1.2.1 指数平滑法的优点 |
15 |
|
1.2.2 指数平滑模型的应用 |
15-16 |
|
1.2.3 指数平滑股票分析中的应用概述 |
16-17 |
|
1.3 工作背景 |
17-18 |
|
1.4 论文的研究内容及结构 |
18-20 |
|
1.4.1 论文的研究内容 |
18-19 |
|
1.4.2 论文的结构 |
19-20 |
|
第2章 指数平滑 |
20-33 |
|
2.1 引言 |
20-24 |
|
2.1.1 基于统计的时间序列预测 |
20-22 |
|
2.1.2 指数平滑的产生 |
22-24 |
|
2.2 几种指数平滑模型 |
24-29 |
|
2.2.1 单指数平滑 |
25-27 |
|
2.2.2 双指数平滑 |
27-28 |
|
2.2.3 三指数平滑 |
28-29 |
|
2.3 三种指数平滑方法特点 |
29-32 |
|
2.3.1 三种模型的特点介绍 |
30 |
|
2.3.2 三种指数平滑图形式例 |
30-32 |
|
2.4 本章小结 |
32-33 |
|
第3章 参数优化算法 IDS |
33-40 |
|
3.1 引言 |
33 |
|
3.2 算法 IDS |
33-39 |
|
3.2.1 算法 IGS的最佳测试点数 |
33-36 |
|
3.2.2 算法 DS介绍 |
36 |
|
3.2.3 算法 IDS |
36-39 |
|
3.3 本章小结 |
39-40 |
|
第4章 动态指数平滑模型 |
40-48 |
|
4.1 引言 |
40-41 |
|
4.2 动态指数平滑模型及其优势 |
41-46 |
|
4.2.1 二次指数平滑模型 |
41 |
|
4.2.2 动态二次指数平滑模型 |
41-45 |
|
4.2.3 参数的选取 |
45-46 |
|
4.2.4 新模型的优点 |
46 |
|
4.3 本章小结 |
46-48 |
|
第5章 模型实现及验证 |
48-70 |
|
5.1 实现方法简介 |
48-49 |
|
5.2 系统设计 |
49-59 |
|
5.2.1 系统模块设计 |
49-50 |
|
5.2.2 开发工具 |
50-51 |
|
5.2.3 网络数据导入模块 |
51-55 |
|
5.2.4 数据分析模块 |
55-59 |
|
5.3 系统实践检验结果 |
59-68 |
|
5.3.1 与传统指数平滑模型比较 |
59-62 |
|
5.3.2 同神经网络算法的比较 |
62-64 |
|
5.3.3 算法普遍性的检验 |
64-68 |
|
5.4 新算法结果分析 |
68-69 |
|
5.5 本章小结 |
69-70 |
|
结论 |
70-72 |
|
参考文献 |
72-76 |
|
攻读硕士学位期间承担的科研任务与主要成果 |
76-77 |
|
致谢 |
77-78 |
|
作者简介 |
78 |
|
| 【DOI】 | LunWen.ID:2.2008.388702 |
