基于經驗模式分解的時間序列數據流在線預測

數據流是大量連續到達的、潛在無限的數據的有序序列，這些數據或其摘要信息只能按照順序存取并被讀取一次或有限次。這種數據模型廣泛存在網絡監控、入侵檢測、情報分析、金融服務、股票交易、電信、衛星遙感等眾多領域。因力眾多應用領域的需求，近幾年數據流建模和預測已經成為一個非常重要的研究方向，并且在信號處理、自動控制和通信等領域中得到了廣泛的應用，成為近年來的一個重要的研究熱點。目前時間序列數據流研究領域中已有的趨勢分析理論和方法一般關注相似性、異常或模式差異的預測，如文獻在基于異常模式求取的基礎上，提出了利用回歸分析中最小二乘法進行異常模式趨勢監測方法。文獻提出使用回歸分析和插值技術預測未來w步長的順時數據流值。文獻[4]提出了一種數據流上未來值的連續查詢，成為連續預測查詢，采用數理統計的方法給出了帶有AvG聚集函數的連續預測聚集查詢。人工智能方法適合預測數據流值中周期性穩定成分，其預測精度雖高但速度較慢。而回歸分析預測法速度快，卻難以預測隨機變化的非線性成分，預測精度較低。文獻[6]通過小波分解將某些非乎穩時間序列分解成多層近似意義上的平穩時間序列，然后采用自回歸模型對分解后的時間序列進行預測，最終得到原始時間序列的預測值。然而，該文沒有討論如何將本文的方法普遍應用于非乎穩時間序列的預測，尚須理論上和算法上的進一步研究。