一种基于元学习框架的时间序列预测方法

李睿峰，吴忠德，戴金玲，王树友

(海军航空大学， 山东 烟台 264001)

1 引言

时间序列预测(time series prediction，TSP)是机器学习领域一个重要而活跃的研究课题，在许多实际数据挖掘应用中具有不可缺少的重要性[1]。时间序列数据广泛存在于水文(河流水位)、天气(降雨量)、金融(股票走势)和军事装备健康管理(早期故障预示)等各个领域。例如，飞机发动机系统的状态预测，对排除早期故障、降低维护成本、提高系统稳定性和安全性具有重要意义。

常用于解决TSP问题的机器学习方法主要有人工神经网络[2-3]、支持向量机[4-5]以及相关向量机[6-7]等，这些方法在各自应用领域取得了较为理想的预测结果。Huang等[8]提出的超限学习机(extreme learning machine，ELM)因其快速的计算速度、突出的全局近似能力，已被广泛应用于处理包括TSP在内的复杂非线性问题[9-10]。Huang等[11]利用核方法对ELM进行扩展，提出了核超限学习机(kernel extreme learning machine，KELM)，文献[12-15]将改进的KELM扩展到了在线学习领域。

总体来看，上述用于解决TSP问题的方法都只采用了单一预测器模式，但是根据NFL定理，并不存在一种算法对所有的任务都适用。Yao[1]分析指出，将集成学习方法应用于解决TSP问题具有比单个模型更优良的性能。这类方法在TSP问题中的应用包括神经网络线性集成框架[16]、ELM改进层集成架构[17]等。同时，为了降低集成学习的空间复杂度，集成选择技术[18-20]更受研究者青睐。该技术的核心在于定义基预测器的性能评价准则，以挑选出最能“胜任”当前预测任务的一组预测器进行组合决策。但是集成选择技术在处理TSP问题时存在一些固有缺陷：① 当前已被提出的评价准则具有很大的局限性，为特定TSP问题确定恰当的评价准则难度较大；……