隨著傳感網(wǎng)絡(luò)的不斷發(fā)展,人們獲取的地理傳感數(shù)據(jù)越來越多,對地理傳感數(shù)據(jù)的預(yù)測逐漸成為了學(xué)者們研究的熱點。地理傳感數(shù)據(jù)的預(yù)測在經(jīng)濟、工程、自然科學(xué)和社會科學(xué)中具有廣泛的應(yīng)用。目前,學(xué)者們已提出了大量關(guān)于地理傳感數(shù)據(jù)的預(yù)測方法,如STARIMA、cARIMA、cVAR等。這些方法通過不同的方式將數(shù)據(jù)中源于不同站點的空間相關(guān)性和同一站點的時間相關(guān)性進(jìn)行處理。但上述的模型中通過聚類方式對數(shù)據(jù)進(jìn)行處理時,將聚類結(jié)果通過一定方式統(tǒng)一應(yīng)用到同一個簇中的所有序列之中,忽略了每個地理傳感數(shù)據(jù)序列的獨特性,地理時序數(shù)據(jù)預(yù)測的準(zhǔn)確性還有待進(jìn)一步提高。本文提出了一種將數(shù)據(jù)中時間信息和空間信息有效融合,同時考慮了各傳感序列獨特性的nVAR模型對地理傳感數(shù)據(jù)進(jìn)行預(yù)測。該模型通過計算時空距離將數(shù)據(jù)中的時間信息和空間信息量化,并基于時空距離尋找K近鄰,最后將近鄰結(jié)果應(yīng)用于向量自回歸模型中完成預(yù)測。nVAR模型采用尋找時空近鄰的方式將數(shù)據(jù)中時間維度和空間維度的相關(guān)性有效地融合,同時應(yīng)用在時空上具有高度相關(guān)性的近鄰對傳感序列進(jìn)行預(yù)測,充分考慮了各地理序列的獨特性。然而以上模型在處理時間相關(guān)性時只注意到時間序列兩兩之間的局部...

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 時間序列數(shù)據(jù)的預(yù)測
        1.2.2 地理時間序列數(shù)據(jù)的預(yù)測
    1.3 本文工作及創(chuàng)新
    1.4 論文的組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 地理時間序列數(shù)據(jù)預(yù)測的相關(guān)知識
    2.1 地理時間序列數(shù)據(jù)
    2.2 地理時間序列數(shù)據(jù)的預(yù)測
        2.2.1 VAR(向量自回歸)模型介紹
        2.2.2 cVAR模型介紹
    2.3 本章小結(jié)
第三章 基于K近鄰與向量自回歸的地理時間序列預(yù)測
    3.1 nVAR模型的提出
    3.2 nVAR模型
        3.2.1 nVAR模型流程
        3.2.2 K值的確定
        3.2.3 nVAR模型預(yù)測
    3.3 時間復(fù)雜度
    3.4 本章小結(jié)
第四章 基于耦合時空K近鄰與向量自回歸的地理時間序列預(yù)測
    4.1 耦合的相關(guān)概念
        4.1.1 多屬性數(shù)值數(shù)據(jù)
        4.1.2 內(nèi)耦合與間耦合
        4.1.3 數(shù)據(jù)的耦合表達(dá)
    4.2 耦合時間距離
        4.2.1 地理時間序列數(shù)據(jù)的內(nèi)耦合與間耦合
        4.2.2 地理時間序列數(shù)據(jù)的耦合距離
    4.3 cnVAR模型
        4.3.1 耦合時空K近鄰
        4.3.2 時間序列的耦合預(yù)測
    4.4 算法時間復(fù)雜度
    4.5 本章小結(jié)
第五章 實驗
    5.1 實驗數(shù)據(jù)
    5.2 實驗結(jié)果
        5.2.1 nVAR模型與cVAR模型的結(jié)果比較
        5.2.2 cnVAR模型與nVAR模型的結(jié)果比較
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文工作總結(jié)
    6.2 未來工作展望
參考文獻(xiàn)
致謝
在讀期間科研成果清單



本文編號：4011058