刘晴晴
(安徽大学,安徽 合肥230601)
组合预测是各单项预测方法的加权平均,通过提取各种单项方法赋予的有用信息来提高整体预测精度[1]。近年来,组合预测模型的独特优势获得了众多国内外学者的青睐,是未来组合预测发展的方向,已广泛应用于经济、交通、环境等各个领域[2-5]。目前组合预测的发展大多基于定权系数来构建模型,这样就忽略了各单项预测方法预测数据之间的相互关系。为了进一步提高预测的性能和适应性,有必要探索变权重的组合预测模型。本文将K 近邻算法运用于变权组合预测模型预测时点权系数的计算上。以传统的变权组合预测权系数的计算方法为基础,利用K 近邻算法来筛选与预测时点最相关的已发生时点来计算预测时点的权重,而不是将已发生时点进行简单平均,这样确定的预测时点的权重就会避免更多不相关信息。


简单平均法确定的预测权重是对过去连续时间点的最优权重进行平均,很明显这样确定的预测时点的权重会涵盖多个不相关时点的信息。
K 近邻算法是基于某种距离度量找出某样本与其最近的K个样本的一类算法[6],本文引入此方法来筛选与预测时点最相关的时点以解决传统简单平均法在计算预测时点权重时的信息冗余问题。

本文将选择武汉市2018 年8 月20 日至2019 年8 月20 日的PM2.5 浓度数据进行实验,使用的单项预测方法包括自回归滑动平均(ARIMA)模型、支持向量回归(SVR)模型、人工神经网络(ANN)模型和长短期记忆(LSTM)神经网络模型。……