7、大数据时间序列预测：模糊 - 神经混合方法

大数据时间序列预测：模糊 - 神经混合方法

1. 引言

在 21 世纪，大数据已成为一个新兴的研究领域。它主要研究包含多个因素的海量数据集，且这些数据集的规模会随着时间迅速增长。这些数据集可以来自各种独立的数据源，如科学实验、工程应用、政府记录和金融活动等。

随着大数据概念的兴起，对新型时间序列预测模型的需求也随之出现。传统的时间序列数据具有高度的非平稳性和不确定性，因此为大数据时间序列设计预测模型对研究人员来说是一项具有挑战性的任务。为了实现良好的预测准确性，需要考虑大量的信息或因素以及大量的观测值。例如，大多数公司的股票指数包含四个因素：开盘价（Open）、最高价（High）、最低价（Low）和收盘价（Close）。过去，市场分析师或研究人员通常仅使用收盘价来做出最终决策，但最近的研究表明，在决策时考虑多个因素可以提高模型的预测能力。然而，更多因素的加入会增加数据集的大小和体积，从而在设计大数据预测模型时会面临以下关键问题：
- 模型选择 ：是否可以提前预测时间序列值？如果可以，哪些模型最适合具有不同变量特征的大数据？
- 数据量 ：为了使模型拟合良好，需要多少数据（即少量还是大量）进行预测？
- 模型改进 ：是否有可能提高现有处理大数据的时间序列模型的效率？如果可以，如何实现？
- 因素影响 ：哪些因素会影响时间序列预测？是否可以同时处理这些因素？这些因素的整合是否会影响模型的预测能力？
- 结果分析 ：模型给出的结果在统计上是否可接受？如果不可接受，需要调