李睿峰，吳忠德，戴金玲，王樹友

(海軍航空大學(xué)， 山東 煙臺 264001)

1 引言

時(shí)間序列預(yù)測(time series prediction，TSP)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)重要而活躍的研究課題，在許多實(shí)際數(shù)據(jù)挖掘應(yīng)用中具有不可缺少的重要性[1]。時(shí)間序列數(shù)據(jù)廣泛存在于水文(河流水位)、天氣(降雨量)、金融(股票走勢)和軍事裝備健康管理(早期故障預(yù)示)等各個(gè)領(lǐng)域。例如，飛機(jī)發(fā)動(dòng)機(jī)系統(tǒng)的狀態(tài)預(yù)測，對排除早期故障、降低維護(hù)成本、提高系統(tǒng)穩(wěn)定性和安全性具有重要意義。

常用于解決TSP問題的機(jī)器學(xué)習(xí)方法主要有人工神經(jīng)網(wǎng)絡(luò)[2-3]、支持向量機(jī)[4-5]以及相關(guān)向量機(jī)[6-7]等，這些方法在各自應(yīng)用領(lǐng)域取得了較為理想的預(yù)測結(jié)果。Huang等[8]提出的超限學(xué)習(xí)機(jī)(extreme learning machine，ELM)因其快速的計(jì)算速度、突出的全局近似能力，已被廣泛應(yīng)用于處理包括TSP在內(nèi)的復(fù)雜非線性問題[9-10]。Huang等[11]利用核方法對ELM進(jìn)行擴(kuò)展，提出了核超限學(xué)習(xí)機(jī)(kernel extreme learning machine，KELM)，文獻(xiàn)[12-15]將改進(jìn)的KELM擴(kuò)展到了在線學(xué)習(xí)領(lǐng)域。

總體來看，上述用于解決TSP問題的方法都只采用了單一預(yù)測器模式，但是根據(jù)NFL定理，并不存在一種算法對所有的任務(wù)都適用。Yao[1]分析指出，將集成學(xué)習(xí)方法應(yīng)用于解決TSP問題具有比單個(gè)模型更優(yōu)良的性能。這類方法在TSP問題中的應(yīng)用包括神經(jīng)網(wǎng)絡(luò)線性集成框架[16]、ELM改進(jìn)層集成架構(gòu)[17]等。同時(shí)，為了降低集成學(xué)習(xí)的空間復(fù)雜度，集成選擇技術(shù)[18-20]更受研究者青睞。該技術(shù)的核心在于定義基預(yù)測器的性能評價(jià)準(zhǔn)則，以挑選出最能“勝任”當(dāng)前預(yù)測任務(wù)的一組預(yù)測器進(jìn)行組合決策。但是集成選擇技術(shù)在處理TSP問題時(shí)存在一些固有缺陷：① 當(dāng)前已被提出的評價(jià)準(zhǔn)則具有很大的局限性，為特定TSP問題確定恰當(dāng)?shù)脑u價(jià)準(zhǔn)則難度較大；② 雖然動(dòng)態(tài)集成選擇靈活性較強(qiáng)，但是為每個(gè)樣本動(dòng)態(tài)選擇基預(yù)測器的方式，無形中增加了算法時(shí)間復(fù)雜度。

元學(xué)習(xí)領(lǐng)域的疊加歸納策略主要思想是將基本學(xué)習(xí)器分布在多個(gè)層次上，采用多層學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)。這一方法在分類領(lǐng)域應(yīng)用廣泛，典型結(jié)構(gòu)為“基分類器-元分類器”形式的分層集成模型。元分類器并不試圖挑選出最優(yōu)的基分類器，而是對基分類器的結(jié)果進(jìn)行“再學(xué)習(xí)”，以糾正錯(cuò)誤分類、鞏固正確分類，使元分類器的準(zhǔn)確度優(yōu)于所有基分類器。但是這類方法在TSP領(lǐng)域的應(yīng)用尚未明確，且如果將之用于TSP任務(wù)存在2個(gè)問題有待解決：① 算法的時(shí)效性，能否實(shí)時(shí)跟蹤時(shí)間序列；② 基預(yù)測器中存在對于當(dāng)前任務(wù)的預(yù)測“能力”較弱者，對全部基預(yù)測器的結(jié)果進(jìn)行再學(xué)習(xí)無疑會降低最終決策的可靠性。

綜上，本文改進(jìn)了分層集成模型，以適應(yīng)時(shí)間序列預(yù)測任務(wù)的時(shí)效性要求；在此基礎(chǔ)上增加了優(yōu)化選擇過程，以控制模型規(guī)模，并消除預(yù)測能力差的基預(yù)測器的不利影響。在此基礎(chǔ)上提出了一種基于元學(xué)習(xí)框架的時(shí)間序列預(yù)測方法(time series prediction method based on META-learning，META-TSP)。首先，以KELM為基預(yù)測器，采用相空間重構(gòu)之后的訓(xùn)練數(shù)據(jù)對基預(yù)測器進(jìn)行訓(xùn)練；然后，將基預(yù)測器對驗(yàn)證數(shù)據(jù)的預(yù)測結(jié)果作為元數(shù)據(jù)對元學(xué)習(xí)器進(jìn)行訓(xùn)練，并通過BPSO算法，以均方根誤差為適應(yīng)度函數(shù)對基預(yù)測器進(jìn)行篩選；最后，將相空間重構(gòu)之后的測試數(shù)據(jù)輸入到訓(xùn)練好的模型中，預(yù)測其輸出。實(shí)例分析表明，本文方法在保證時(shí)效性前提下能夠有效提高預(yù)測的準(zhǔn)確性和穩(wěn)定性，適用于解決時(shí)間序列預(yù)測問題。

2 算法基礎(chǔ)

2.1 核超限學(xué)習(xí)機(jī)

給定數(shù)據(jù)流S={(x1,y1),(x2,y2),…}，其中xi∈Rd表示輸入向量，d∈N+是xi的維數(shù)，yi是與xi對應(yīng)的輸出值，則ELM模型定義為[8]：

(1)

式(1)中：β=[β1,…,βL]T是模型輸出權(quán)重向量；h(xi)=[h1(xi),…,hL(xi)]表示隱層神經(jīng)元對輸入樣本xi的映射向量；ξi表示對應(yīng)于第i個(gè)樣本的訓(xùn)練誤差；c是正則化參數(shù)，并且c∈R+?；贙KT優(yōu)化條件求解式(1)的優(yōu)化問題，可得輸出權(quán)重為：

β=HT(c-1I+HHT)-1y

(2)

式(2)中：yt=[y1,…,yt]T是輸入樣本對應(yīng)的目標(biāo)值向量；H=[h(x1)T,…,h(xt)T]T是輸入樣本的映射矩陣。應(yīng)用Mercer條件定義核矩陣Ω=HHT，Ω(i,j)=h(xi)·h(xj)T=k(xi,xj)，可得ELM的核化形式為：

(3)

式(3)中：kt是當(dāng)前時(shí)刻的核估計(jì)向量，并且有kt=[k(·,x1),…,k(·,xt)]；θt=[θ1,…,θt]T是t時(shí)刻的核權(quán)重向量，且θt=(c-1I+Ωt)-1yt。

應(yīng)用KELM解決TSP問題具有以下優(yōu)勢：① 算法層次結(jié)構(gòu)簡潔高效，需要的時(shí)間和空間開支少，更能滿足TSP問題的時(shí)效要求；② 無需像ELM一樣設(shè)置映射函數(shù)和隱層神經(jīng)元數(shù)量，降低了模型的隨機(jī)性，僅通過核函數(shù)設(shè)置即可完成算法優(yōu)化，而核函數(shù)的設(shè)置范圍，相比ELM算法的映射函數(shù)和隱層神經(jīng)元選擇范圍要小得多。

2.2 二進(jìn)制粒子群優(yōu)化算法

粒子群優(yōu)化(PSO)算法以其簡單的尋優(yōu)模式和較低的計(jì)算代價(jià)，是目前最常用的進(jìn)化算法之一，BPSO作為PSO算法的離散二進(jìn)制版本，已被證明在多目標(biāo)選擇領(lǐng)域具有優(yōu)良的性能[22]。由于本研究涉及到了基預(yù)測器的選擇過程，因此采用BPSO算法，以最小化均方根誤差為目標(biāo)，挑選出預(yù)測能力最強(qiáng)的一組基預(yù)測器。

步驟1：初始化。按照種群大小，在搜索空間中隨機(jī)初始化粒子位置和速度。計(jì)算適應(yīng)度函數(shù)值，初始化粒子的個(gè)體最優(yōu)位置和全局最優(yōu)位置。設(shè)置最大進(jìn)化代數(shù)及其他終止條件。

步驟2：更新粒子速度。粒子速度公式為:

(4)

式(4)中：pBesti={pBesti,1,…,pBesti,M}表示第i個(gè)粒子訪問的最優(yōu)位置；gBest={gBest1,…,gBestM}表示考慮到整個(gè)粒子群的全局最優(yōu)位置；ω對應(yīng)于慣性權(quán)值，通常設(shè)置為1；c1和c2是加速度系數(shù)，rand是在0和1之間隨機(jī)產(chǎn)生的數(shù)字；g是進(jìn)化代數(shù)。

步驟3：更新粒子位置。BPSO算法采用傳遞函數(shù)將粒子速度映射到[0,1]區(qū)間，作為粒子位置變化的概率。傳遞函數(shù)通常采用sigmoid函數(shù)s(x)=1/(1+e-x)，粒子位置更新公式為：

(5)

步驟4：更新適應(yīng)度函數(shù)。利用當(dāng)前粒子位置信息計(jì)算適應(yīng)度函數(shù)值。

步驟5：更新單個(gè)粒子最優(yōu)位置和粒子群全局最優(yōu)位置。如果滿足終止條件，則輸出最優(yōu)解；否則，返回步驟2。

3 META-TSP方法

3.1 方法機(jī)構(gòu)

META-TSP方法通過改進(jìn)分層集成模型來構(gòu)建元學(xué)習(xí)機(jī)構(gòu)，并采用BPSO算法對基預(yù)測器進(jìn)行優(yōu)化選擇，具體可細(xì)分為3個(gè)階段：基預(yù)測器訓(xùn)練階段、元學(xué)習(xí)器訓(xùn)練階段和測試階段，如圖1所示。該方法將訓(xùn)練數(shù)據(jù)分為2個(gè)子集：訓(xùn)練集DTr和驗(yàn)證集Dval。

圖1 META-TSP機(jī)構(gòu)框圖

3.1.1基預(yù)測器訓(xùn)練階段

基預(yù)測器訓(xùn)練階段用來訓(xùn)練產(chǎn)生M個(gè)基預(yù)測器，從訓(xùn)練集DTr中隨機(jī)抽取樣本子集，通過為KELM設(shè)置不同的核函數(shù)和核參數(shù)，每一個(gè)樣本子集用來訓(xùn)練生成一個(gè)基預(yù)測器。

由試驗(yàn)數(shù)據(jù)可知，對于同1個(gè)試驗(yàn)溫度測點(diǎn)，5次測量的溫度值會有波動(dòng)，當(dāng)溫度波動(dòng)大于0.2 ℃時(shí)，傳熱系數(shù)K值的測量值會出現(xiàn)明顯的波動(dòng)[9].具體數(shù)據(jù)如表6、表7所示.

3.1.2元學(xué)習(xí)器訓(xùn)練階段

首先，使用上一階段訓(xùn)練產(chǎn)生的M個(gè)基預(yù)測器對驗(yàn)證集Dval中的樣本進(jìn)行預(yù)測，預(yù)測結(jié)果作為元特征，每一個(gè)基預(yù)測器都對應(yīng)著一個(gè)特征維度，元特征為M維；以驗(yàn)證集Dval中樣本的實(shí)際輸出為元目標(biāo)，元特征與元目標(biāo)共同構(gòu)成元數(shù)據(jù)。然后，調(diào)用BPSO算法，以均方根誤差為適應(yīng)度函數(shù)，對元特征進(jìn)行優(yōu)化選擇(實(shí)際上是對基預(yù)測器進(jìn)行篩選)。最后，利用特征約簡后的元數(shù)據(jù)訓(xùn)練一個(gè)元學(xué)習(xí)器。該階段的偽代碼如下：

3.1.3測試階段

對于測試樣本xtest，首先使用M個(gè)基預(yù)測器對其進(jìn)行預(yù)測，得到元特征；然后根據(jù)上一階段的特征選擇結(jié)果對元特征進(jìn)行約簡；最后將約簡后的元特征輸入到上一階段訓(xùn)練好的元學(xué)習(xí)器λ中，得到最終預(yù)測輸出。該階段的偽代碼如下：

3.2 復(fù)雜性分析

下面對META-TSP方法3個(gè)階段的復(fù)雜性進(jìn)行簡要分析。

在基預(yù)測器訓(xùn)練過程中，假設(shè)訓(xùn)練子集的大小為S1，該階段訓(xùn)練產(chǎn)生M個(gè)基預(yù)測器，時(shí)間復(fù)雜度為O(S1·M)。元學(xué)習(xí)器訓(xùn)練階段，假設(shè)驗(yàn)證集的大小為S2，使用M個(gè)基預(yù)測器對驗(yàn)證集進(jìn)行預(yù)測，時(shí)間復(fù)雜度為O(S2·M)；BPSO優(yōu)化過程中，元學(xué)習(xí)器訓(xùn)練并預(yù)測gmax+1次，由于該過程對元數(shù)據(jù)進(jìn)行約簡，故時(shí)間復(fù)雜度不超過O(S2·(gmax+1))。測試階段，假設(shè)測試集的大小為S3，P′的尺寸為M′，使用P′對測試集進(jìn)行預(yù)測，時(shí)間復(fù)雜度為O(S3·M′)；元學(xué)習(xí)器預(yù)測過程的時(shí)間復(fù)雜度僅為O(S3)。

一般來說，訓(xùn)練數(shù)據(jù)的規(guī)模(即S1+S2)不會太大，通過控制基預(yù)測器池的大小M和最大進(jìn)化代數(shù)gmax，即可提升算法的時(shí)間效率。因此，該方法可以滿足時(shí)間序列實(shí)時(shí)預(yù)測需求。

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)設(shè)置

4.1.1算法設(shè)置

基預(yù)測池由11個(gè)KELM構(gòu)成，用到的核函數(shù)包括線性核、多項(xiàng)式核、高斯核，正則化參數(shù)C設(shè)置為10，線性核不需要設(shè)置其他參數(shù)，多項(xiàng)式核的參數(shù)設(shè)置為{[1,2],[1,3],[-1,2],[-1,3]}，高斯核的參數(shù)設(shè)置為樣本間最大歐式距離和最小歐式距離間隨機(jī)選取的6個(gè)離散值(調(diào)用dd_tools工具箱的scale_range 函數(shù)實(shí)現(xiàn))。

所有算法均在MATLAB 2018a上運(yùn)行，實(shí)驗(yàn)電腦配置為：Windows 10操作系統(tǒng)，Inter Core i7-7700HQ CPU，2.80 GHz主頻和8G RAM。

4.1.2參數(shù)設(shè)置

簡便起見，實(shí)驗(yàn)同樣采用了KLEM作為META-TSP方法的元級學(xué)習(xí)器，核函數(shù)采用RBF核，并通過網(wǎng)格搜索法確定最優(yōu)參數(shù)。FOKELM、NOS-KELM和FARF-OSKBIELM方法的參數(shù)均與文獻(xiàn)[15]一致：高斯核，核參數(shù)σ=10，時(shí)間窗m=50；FOKELM和NOS-KELM的正則化參數(shù)C=2×104，其余參數(shù)見文獻(xiàn)[15]。DES-PALR算法首先需要定義測試樣本的局部區(qū)域，與文獻(xiàn)[20]相同，該區(qū)域使用k-means聚類算法得到，聚類數(shù)設(shè)置為4；DVP-OpOp算法需要設(shè)置驗(yàn)證集的大小，實(shí)驗(yàn)中取訓(xùn)練集尺寸的10%；DES-CP算法沿用文獻(xiàn)[20]的設(shè)置，采用遺傳算法生成基預(yù)測器子集，子集總數(shù)n取10。

4.1.3評價(jià)指標(biāo)

在TSP問題的研究中，通常從計(jì)算復(fù)雜性、預(yù)測精度、預(yù)測穩(wěn)定性等3個(gè)方面來評價(jià)算法的性能。計(jì)算復(fù)雜性指標(biāo)包括訓(xùn)練時(shí)間和測試時(shí)間，預(yù)測精度指標(biāo)通過均方根誤差(root mean square Error，RMSE)來衡量，預(yù)測穩(wěn)定性指標(biāo)可以從最大絕對預(yù)測誤差(maximal absolute prediction error，MAPE)和平均相對誤差率(mean relative error rate，MRPE)角度來度量。計(jì)算公式為：

4.2 非平穩(wěn)Mackey-Glass 混沌時(shí)間序列預(yù)測

本節(jié)首先驗(yàn)證算法對Mackey-Glass混沌時(shí)間序列預(yù)測的有效性。該序列可以通過以下非線性時(shí)滯微分方程得到。

取a=0.2，b=0.1，τ=17，x(0)=1.2，當(dāng)t<0時(shí)，x(t)=0，步長Δ=0.1，通過4階Runge-Kutta方法解方程，在此基礎(chǔ)上，加上正弦曲線0.3sin(2πt/3 000),以得到新的時(shí)間序列。設(shè)置采樣間隔Ts=10Δ，規(guī)定時(shí)間嵌入維數(shù)等于10，由此獲得了與文獻(xiàn)[14-15]完全相同數(shù)據(jù)集，包含1 191組樣本數(shù)據(jù)，前991組用于訓(xùn)練，后200組用于測試。

6種對比算法和本文方法的預(yù)測曲線如圖2所示，預(yù)測結(jié)果如表1所示，各項(xiàng)指標(biāo)的最優(yōu)值均加粗表示。

圖2 Mackey-Glass 混沌時(shí)間序列預(yù)測曲線

表1 Mackey-Glass預(yù)測結(jié)果

由表1和圖2可以得出以下結(jié)論：

1) 在預(yù)測精度和預(yù)測穩(wěn)定性方面，META-TSP方法均是最優(yōu)的。相比于其他6種算法，META-TSP方法在RMSE指標(biāo)上分別提高了80.98%、91.87%、27.72%、37.01%、38.91%和39.88%，在MAPE指標(biāo)上分別提高了76.06%、87.19%、32.59%、26.32%、27.43%和30.97%，在MRPE指標(biāo)上分別提高了80.46%、92.94%、22.68%、37.79%、40.78%和41.61%。這說明META-TSP方法對時(shí)間序列的未來走勢預(yù)測最準(zhǔn)確，并且預(yù)測效果最穩(wěn)定。

2) META-TSP方法的預(yù)測時(shí)間高于3種基于KELM改進(jìn)型的方法，低于3種DES算法。但是META-TSP方法的預(yù)測時(shí)間仍然是毫秒級的，能夠滿足實(shí)時(shí)預(yù)測的需求。值得注意的是，DVP-OpOp算法的預(yù)測時(shí)間過長，這是由于該算法在預(yù)測階段會計(jì)算全部測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)預(yù)測結(jié)果的距離，這一過程增加了算法的時(shí)間消耗，即使其他各項(xiàng)指標(biāo)都比較優(yōu)良，該算法并不適用于TSP問題。

3) 訓(xùn)練精度方面，DVP-OpOp算法的均方根誤差是最低的，但是DES-PALR、DES-CP和META-TSP方法與之非常接近，而且如前文所述，DVP-OpOp算法的測試時(shí)間過長，不適合處理TSP問題。此外，由于META-TSP方法的測試精度是最高的，說明該方法抑制過擬合效果更為明顯。

4) META-TSP方法的訓(xùn)練時(shí)間是最短的，說明該方法采用的學(xué)習(xí)機(jī)制比較高效，能夠根據(jù)訓(xùn)練數(shù)據(jù)更快地?cái)M合時(shí)間序列。雖然使用了多個(gè)KELM生成基預(yù)測器池，但是仍比針對單個(gè)KELM進(jìn)行優(yōu)化的方法訓(xùn)練時(shí)間短很多。

5) FARF-OSKBIELM方法采用了自適應(yīng)的正則化因子，預(yù)測效果比FOKELM和NOS-KELM方法好，但不及META-TSP方法，說明將元學(xué)習(xí)器引入預(yù)測過程更能充分挖掘時(shí)間序列所蘊(yùn)含的信息。

關(guān)于Mackey-Glass混沌時(shí)間序列的絕對預(yù)測誤差(absolute prediction error，APE)，F(xiàn)OKELM、NOS-KELM、FARF-OSKBIELM、DES-PALR、DVP-OpOp和DES-CP分別與META-TSP方法的預(yù)測曲線如圖3所示?？傮w來看，META-TSP方法比其他幾種方法的預(yù)測誤差都小，對時(shí)間序列未來趨勢的預(yù)測能力最優(yōu)。

圖3 預(yù)測誤差曲線

4.3 某型飛機(jī)飛行參數(shù)預(yù)測

本節(jié)將META-TSP方法應(yīng)用到具體案例中，驗(yàn)證該方法對飛機(jī)飛行狀態(tài)預(yù)測的有效性。以某飛行訓(xùn)練部隊(duì)某型教練機(jī)的發(fā)動(dòng)機(jī)為例，選取低壓轉(zhuǎn)子轉(zhuǎn)速(轉(zhuǎn)每秒，r/s，記為LSpeed)、高壓轉(zhuǎn)子轉(zhuǎn)速(轉(zhuǎn)每秒，r/s，記為HSpeed)、渦輪后溫度(開爾文，K，記為Temperature)和油門桿角位移(毫米，mm，記為Displacement)為監(jiān)測項(xiàng)目。收集了該機(jī)型飛參系統(tǒng)某一架次的原始數(shù)據(jù)，數(shù)據(jù)采樣每隔1 s進(jìn)行一次，每個(gè)項(xiàng)目取250個(gè)樣本，變化曲線如圖4所示。其中，由于渦輪后溫度的單位是K，在數(shù)量級上是其他項(xiàng)目的4倍，故在圖4中將之轉(zhuǎn)換成攝氏溫度展示。

圖4 某型飛機(jī)飛行狀態(tài)參數(shù)變化曲線

設(shè)置嵌入維度為m1=m2=m3=m4=6，可得到244組數(shù)據(jù)樣本。實(shí)驗(yàn)將前194組樣本作為訓(xùn)練數(shù)據(jù)，后50組為測試數(shù)據(jù)。KELM改進(jìn)型方法和DES算法中,選擇Mackey-Glass混沌時(shí)間序列預(yù)測實(shí)驗(yàn)中整體性能最好的2種方法——FARF-OSKBIELM和DES-PALR，與本文方法META-TSP進(jìn)行比較。表2列出了3種方法分別對4個(gè)監(jiān)測項(xiàng)目的預(yù)測結(jié)果。其中各監(jiān)測項(xiàng)目上的最優(yōu)指標(biāo)加粗表示。

表2 飛行狀態(tài)參數(shù)預(yù)測結(jié)果

由表2可以看出：① FARF-OSKBIELM的測試時(shí)間總是最短的，因?yàn)樵摲椒ㄖ徊捎昧藛蝹€(gè)預(yù)測器進(jìn)行預(yù)測。但是META-TSP的測試時(shí)間只比FARF-OSKBIELM高出一個(gè)數(shù)量級，且這種毫秒級的時(shí)間開銷幾乎可以忽略不計(jì)，完全能夠滿足實(shí)時(shí)預(yù)測需求。此外，META-TSP的訓(xùn)練時(shí)間總是最短的，使得該方法能夠更快地訓(xùn)練出預(yù)測器模型。② META-TSP在4個(gè)監(jiān)測項(xiàng)目上的測試精度都是最高的，具有最好的整體預(yù)測性能。其中，對于Temperature項(xiàng)目而言，F(xiàn)ARF-OSKBIELM的均方根誤差很大，DES-PALR存在過擬合現(xiàn)象。③ META-TSP在4個(gè)監(jiān)測項(xiàng)目上的MAPE和MRPE值都是最低的，說明該方法的預(yù)測結(jié)果更穩(wěn)定。以預(yù)測發(fā)動(dòng)機(jī)未來50個(gè)單位時(shí)間內(nèi)的低壓轉(zhuǎn)子轉(zhuǎn)速為例，3種方法的預(yù)測曲線圖5所示。

圖5 低壓轉(zhuǎn)子轉(zhuǎn)速預(yù)測曲線

由圖5可知，顯然，與其他2種方法相比，META-TSP對真實(shí)狀態(tài)的跟蹤能力最好。

5 結(jié)論

1) META-TSP方法完全能夠滿足實(shí)時(shí)預(yù)測需求，具有比FARF-OSKBIELM和DES-PALR方法更快的訓(xùn)練速度和極短的測試時(shí)間，在4個(gè)監(jiān)測項(xiàng)目上的平均訓(xùn)練時(shí)間分別縮短了77.48%和33.91%。

2) 在預(yù)測精度方面，該方法的整體性能優(yōu)于FARF-OSKBIELM和DES-PALR等2種對比方法，能夠兼顧4個(gè)監(jiān)測項(xiàng)目，平均預(yù)測均方根誤差比其余2種方法分別提升了28.86%和72.26%。此外，該方法能有效抑制過擬合，且預(yù)測結(jié)果更穩(wěn)定。

3)META-TSP方法采用BPSO機(jī)制對基預(yù)測器進(jìn)行優(yōu)化集成，控制了模型規(guī)模，且避免了預(yù)測能力差的基預(yù)測器對預(yù)測結(jié)果產(chǎn)生的不利影響；運(yùn)用元學(xué)習(xí)器，對基預(yù)測器的結(jié)果進(jìn)行再學(xué)習(xí)，相比于只采用單個(gè)預(yù)測器的方法，能對訓(xùn)練數(shù)據(jù)所含信息進(jìn)行更充分的挖掘。