检索结果

Select

1. 基于矩阵画像的金融时序数据预测方法

高世乐, 王滢, 李海林, 万校基

计算机应用 2021, 41 (1): 199-207. DOI: 10.11772/j.issn.1001-9081.2020060877

摘要（516）

PDF （1433KB）（912）

针对金融市场中机构交易对股票市场中的散户投资行为具有较强的误导性的现象，提出了一种基于机构交易行为影响的趋势预测方法。首先，利用时间序列的矩阵画像（MP）方法，以股票换手率数据为切入点，构建不同兴趣模式长度下的基于机构交易行为影响的换手率波动知识库；其次，确定待预测股票在兴趣模式长度取何值时的预测结果精确度高；最后，根据该兴趣模式长度下的知识库，预测在机构交易行为影响下的单支股票的波动趋势。为验证趋势预测新方法的可行性和准确性，将其与自回归滑动平均（ARMA）模型和长短时记忆（LSTM）网络这两种预测方法进行对比分析，运用均方根误差（RMSE）与平均绝对百分误差（MAPE）评价指标综合比较3种方法对70支股票的预测结果。实验结果分析表明，与ARMA模型和LSTM网络相比，在70支的股票价格趋势预测上，所提方法有80%以上的股票预测结果更准确。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于频繁模式发现的时间序列异常检测方法

李海林, 邬先利

计算机应用 2018, 38 (11): 3204-3210. DOI: 10.11772/j.issn.1001-9081.2018041252

摘要（1056）

PDF （1091KB）（520）

针对传统异常片段检测方法在处理增量式时间序列时效率低的问题，提出一种基于频繁模式发现的时间序列异常检测（TSAD）方法。首先，将历史输入的时间序列数据进行符号转化；其次，利用符号化特征找出历史序列数据集中的频繁模式；最后，结合最长公共子序列匹配方法度量频繁模式与当前新增加时间序列数据之间的相似度，从而发现新增加数据中的异常模式。与基于滑动窗口预测的水文时间序列异常检测方法（TSOD）和基于扩展符号聚集近似的水文时间序列异常挖掘方法（ESAA）相比，对于实验选择的三种类型的时间序列数据，TSAD的检测率都超过90%；TSOD对规则性较强的序列检测率较高，能达到99%，但对噪声干扰较大的序列检测率较低，对数据偏向性较强；ESAA对三种类型的数据检测率均不超过70%。实验结果表明，TSAD在时间序列异常检测中能够较好地发现异常片段。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于云理论与神经网络集成的模糊系统

柳炳祥李海林

计算机应用

摘要（1658）

PDF （489KB）（2129）

提出了一种基于云理论与神经网络混合集成的模糊系统。通过不确定性人工智能，解决了在实际模糊系统中输入变量隶属函数和知识规则确定的难题，利用神经网络实现了变量之间的非线性映射。该系统不但具有神经网络自适应的学习能力，且结合云理论处理知识的不确定性能力，使模糊系统在知识推理过程中更具有说服力，在整体上提高了算法的效率。