首先尝试用遗传算法改进我先前提出的利用空间自相似的线性映射方法,发现在对样本进行繁殖时,几乎很少有能提高适应度的后代,即使有,也只是稍微提高一点,粗略估计不到5%。
再用神经网络,尝试了BP和eleman,用BP结合IPFP误差有所降低,eleman不便于和IPFP结合,所以我之前坚持的用神经网络预测,再用IPFP调整的方法总体来说效果不理想,近期ACM发表一篇关于用随机神经网络建立由y到x的估计模型,效果非常好,时间误差低于8%,也远好于我的方法,这彻底否定了我中期检查提出多维数据交叉的神经网络(即BP结合IPFP)的方法。
再改用小波分析,这也是之前想过的一个方法,一直未做实验,经过这些天的看书,看论文,做实验,发现此路根本不通。通过实验发现,经过多层小波分析后,近似部分仍然振荡,只有分到第8层时,才得到稳定的曲线,这里需要2^8的采样间隔即将近一天数据的平均值了,而每一层分解的细节部分几乎都是T分布,显然这一部分无法进行预测,要命的是这一部分的标准差还不小,粗略看了一下,将近为近似部分的一半,有的层可能小些,约为1/5。这样将预测的各部分流量再复原原流量时误差会叠加,这非常令人沮丧。当然近似部分用时间序列模型描述效果还不错。总体来说,这条路基本上没戏。
接下来,我该用什么方法?或许我只能换问题或者看问题的角度了……