文献类型：期刊文章

作　　者：王双成[1] 高瑞[2] 杜瑞杰[2]

WANG Shuang-Cheng;GAO Rui;DU Rui-Jie(School of Information Management,Shanghai Lixin University of Accounting and Finance,Shanghai201620;School of Statistics and Mathematics,Shanghai Lixin University of Accounting and Finance,Shanghai201620)

机构地区：[1]上海立信会计金融学院信息管理学院,上海201620 [2]上海立信会计金融学院统计与数学学院,上海201620

出　　处：《计算机学报》

基　　金：国家自然科学基金(61272209);上海市自然科学基金(15ZR1429700);上海市教委科研创新项目(15ZZ099)资助

年　　份：2017

卷　　号：40

期　　号：12

起止页码：2748-2761

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：时间序列是现实世界中数据的主要表现形式之一,对时间序列进行预测也有着普遍的需求.现已发展了许多时间序列(单时间序列或多时间序列)预测模型,它们各有特点,被广泛用于解决诸多领域的实际问题,但这些模型或者需要时间序列平稳性和具有线性关系的假设,或者与某种分布紧密联系在一起,这使其适用范围受到限制,而且也不易于实现动态和静态信息的融合.文中在基于高斯函数估计属性密度的基础上,结合转换数据集构建、回归变量的离散化、类变量的数量化、属性联合密度的分解计算和以类的满条件概率为权重的加权平均等,建立用于时间序列预测的具有超父结点贝叶斯网络回归模型,该模型能够在统一的概率框架下实现对动态与静态信息的融合,不需要平稳性、分布和函数形式的假设,并能够通过具有不同超父结点贝叶斯网络回归模型的集成来进一步降低回归误差和提高泛化能力.使用UCI和宏观经济数据进行实验的结果显示,无论对单时间序列还是多时间序列,具有超父结点贝叶斯网络集成回归模型均具有良好的回归可靠性.

关 键 词：贝叶斯网络 高斯函数 时间序列 分类  回归  数据挖掘

分 类 号：TP18]