English
Multi-step prediction of Time Series with Random Missing Data
文件大小：
1023k
资源说明：时间序列预测是数据分析中的一个重要领域，尤其在经济、金融、气象等许多领域都具有广泛的应用。而现实世界中的时间序列数据往往因为各种原因如传感器故障或数据异常值导致数据缺失。这种带有随机缺失数据的时间序列预测问题更为复杂，而多步预测则意味着在当前时刻预测未来多个时间点上的值，这对预测模型的准确性和鲁棒性提出了更高的要求。
论文标题《Multi-step prediction of Time Series with Random Missing Data》强调了对带有随机缺失数据的时间序列进行多步预测的研究。这项研究关注的是如何在缺失数据存在的情况下进行有效的多步预测，以及哪些方法和技术可以用来解决这一挑战。
描述中提到，基于非线性滤波器和多层感知器人工神经网络（ANN）提出了一种新的多步预测方法。非线性滤波器是时间序列分析中一种重要的工具，能够处理信号中的噪声和不确定性，而多层感知器（MLP）是一种经典的前馈神经网络，它能够通过多个层次处理非线性映射关系。
文中提到的关键技术包括：
1. 使用一系列独立的伯努利随机变量来模拟随机中断，这种方法可以将缺失数据建模为随机过程的一部分。
2. 利用多层感知器的权重来表示状态向量，利用网络的输出来表示观测方程，建立了一个适合在线训练的多步预测模型。
3. 比较了基于原始非线性滤波器的ANN模型与基于广义非线性滤波器的ANN模型在处理带有缺失数据的时间序列多步预测上的性能。
研究指出，广义非线性滤波器在多步预测上要比原始非线性滤波器表现得更好。这一点强调了对传统非线性滤波器方法进行改进的重要性，即当面对包含随机缺失数据的时间序列时，需要有能够适应并处理这种不完整性的模型。
此外，关键词中还包括“多步预测”、“随机缺失数据”、“多层感知器ANN”和“非线性滤波器”，这些都强调了研究的主要领域和所用技术。
从内容上可以推断，本研究的目的是提供一种有效的方法，来解决带有随机缺失数据的时间序列数据预测问题。这对于实际应用场景中的数据预测工作具有重要意义，尤其是在传感器故障或数据缺失频繁发生的情况下。通过改进现有模型并使用更先进的技术，该研究为相关领域的研究者和实践者提供了一种新的视角和工具，以便更好地应对时间序列预测中的挑战。
文章发表的时间是2014年，显示这项研究是在较早前完成的。尽管如此，由于时间序列预测和数据完整性问题在今天依然非常重要，这项研究的成果和发现对于当前的IT专业人员来说仍然具有参考价值。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
