25、智能物联网的未来：自适应预测与复杂事件处理

智能物联网的未来：自适应预测与复杂事件处理

1. 自适应移动窗口回归（AMWR）概述

在物联网数据预测领域，传统预测分类器常基于大量存档数据构建，训练耗时久且模型建成后难以更新，在概念漂移等现象面前表现不佳。为解决这些问题，提出了自适应移动窗口回归（Adaptive Moving Window Regression，AMWR）技术。

AMWR 的规划过程包含三个主要阶段：
1. 选择回归技术
2. 确定最佳训练窗口大小
3. 计算参考信号的持续时间

1.1 回归算法的确定

时间序列回归（预测）方法众多，涵盖统计方法和机器学习方法。传统上，自回归移动平均（ARMAs）和自回归积分移动平均（ARIMAs）常用于时间序列回归分析。如今，支持向量回归（SVR）和人工神经网络（ANN）等更复杂的机器学习模型因其鲁棒性和提供更准确响应的潜力而日益流行。

选择 SVR 构建方法的原因在于其能使用核函数表示不可预测数据。SVR 是对广泛用于回归审查应用的 SVM 方法的改进，它利用神经网络将训练数据转换到更高维特征空间，并通过高维超平面找到最匹配数据集的最优函数。

在测试不同 SVR 版本后，发现带径向基函数（RBF）核的 SVR 是本研究中最有效的基础回归技术。

1.2 最佳训练窗口大小的确定

研究表明，预测模型的准确性与训练数据量成正比，使用大量历史数据训练预测模型可覆盖不同时间段的潜在模式，但该方法耗时且训练后的模型难以跟上数据行为或统计信息