基于相關(guān)系數(shù)的IOWGA算子區(qū)間組合預(yù)測方法

陳然 熊一珊 周悅

摘要：各種錯綜復(fù)雜的因素導(dǎo)致數(shù)據(jù)表現(xiàn)出不確定性，區(qū)間型數(shù)據(jù)為取值在一定邊界的現(xiàn)象提供了強有力的分析工具。為提高區(qū)間型觀測信息的預(yù)測精度，本文結(jié)合相關(guān)系數(shù)和誘導(dǎo)有序加權(quán)平均（IOWGA）算子給出一類區(qū)間值時間序列的組合預(yù)測模型。通過最大化實際值和基于IOWGA算子的組合預(yù)測值區(qū)間中心和半徑序列的相似性程度，給出組合預(yù)測的一類客觀權(quán)重信息確定方法。最后，結(jié)合實例表明本文所提出的區(qū)間型信息組合預(yù)測模型能夠有效提高預(yù)測精度。

Abstract： All kinds of complicated factors lead to the uncertainty of the data. The interval data provides a powerful analytical tool for the phenomenon of taking value at a certain boundary. In order to improve the prediction accuracy of interval type observation information， this paper presents a combined prediction model of interval value time series by combining correlation coefficient and induced ordered weighted average （IOWGA） operator. By maximizing the similarity between the actual value and the combination predicted value based on IOWGA operator， a kind of objective weight information determination method of combination forecast is proposed. Finally， an example shows that the interval information combination prediction model proposed in this paper can effectively improve the prediction accuracy.

關(guān)鍵詞：預(yù)測精度;相關(guān)系數(shù);IOWGA算子;組合預(yù)測

Key words： prediction accuracy;correlation coefficient;IOWGA operator;combination prediction

中圖分類號：TP273? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2019）21-0207-04

0? 引言

在對對象進(jìn)行預(yù)測時，由于數(shù)據(jù)產(chǎn)生的速度不斷加快以及體量的不斷增加，那么預(yù)測就存在不確定性，單一的預(yù)測方法可能只考慮了一部分的信息，缺少部分重要性的信息。因此，Bates和Granger[1]在1969年首次對組合預(yù)測方法進(jìn)行系統(tǒng)研究，其研究成果引起許多學(xué)者的重視。此后，組合預(yù)測方法的研究受到高度重視，并且在組合預(yù)測方法上取得了許多研究成果[2-7]。

文獻(xiàn)[8]中提出了有序加權(quán)平均（OWA）算子的概念，之后一系列信息集成算子理論的提出都是基于OWA算子的概念之上[9-11]，隨著社會的進(jìn)步，學(xué)者們將視覺從實數(shù)預(yù)測轉(zhuǎn)變到區(qū)間組合預(yù)測，探究到區(qū)間組合預(yù)測具有更強的實用性。陳華友[11]等提出了誘導(dǎo)有序加權(quán)幾何平均算子（IOWGA），后續(xù)學(xué)者們將IOWGA算子用于區(qū)間組合預(yù)測，取得了很好的效果。文獻(xiàn)[12]中研究了基于相關(guān)系數(shù)的IOWGA算子的關(guān)于實數(shù)的最優(yōu)組合預(yù)測。

在現(xiàn)有的組合預(yù)測方法中，給出了基于有效度、灰色關(guān)聯(lián)度、基于相關(guān)系數(shù)[13-15]，等等，與各種算子相結(jié)合的組合預(yù)測方法，這些方法都被證明了是可以提高預(yù)測精度的。本文在此基礎(chǔ)上，結(jié)合IOWGA算子，進(jìn)行了區(qū)間值的組合預(yù)測，首先對原本的區(qū)間值進(jìn)行簡單的變換，使用區(qū)間中點和區(qū)間半徑來刻畫區(qū)間值，區(qū)間中點可以反映區(qū)間的均值信息，區(qū)間半徑可以用來反映區(qū)間的波動情況，將區(qū)間中點和半徑的預(yù)測精度作為誘導(dǎo)值帶入IOWGA算子中，從相關(guān)系數(shù)層面對區(qū)間中點和區(qū)間半徑進(jìn)行研究，建立相應(yīng)的組合預(yù)測模型，并通過實例驗證了本文提出的模型是有效可行的。

1? 預(yù)備知識

在這里，首先給出一些關(guān)于區(qū)間值信息與相關(guān)運算的定義，后文中會運用到相關(guān)的定義與運算，具體如下：

定義1[16] 設(shè) 為非負(fù)區(qū)間數(shù)，區(qū)間數(shù)a就可以用區(qū)間中點ma和區(qū)間半徑ra來表示，即 。其中

為對相似的預(yù)測區(qū)間進(jìn)行集成，給出IOWGA算子的定義：

定義2[6] 設(shè) 為n個二維數(shù)組，則稱

為IOWGA算子，ui為ai的誘導(dǎo)值。其中 是 按從大到小的順序排列的第i大的數(shù)的下標(biāo)， 是與IOWGA有關(guān)的加權(quán)向量，滿足 IOWGA算子是對誘導(dǎo)值 按照從大到小的順序排序后對應(yīng)的 進(jìn)行有序加權(quán)平均，？棕i與？琢i的大小和位置無關(guān)，而是與其誘導(dǎo)值所在的位置有關(guān)。

2? 基于相關(guān)系數(shù)的IOWGA算子的區(qū)間組合預(yù)測模型

由于現(xiàn)實生活中各種錯綜復(fù)雜的因素，導(dǎo)致了數(shù)據(jù)的不確定性，所以，在這里假設(shè)某個指標(biāo)序列為區(qū)間數(shù)時間序列，可將其設(shè)為 。設(shè)有m種單項預(yù)測方法對其進(jìn)行區(qū)間預(yù)測，第i種單項預(yù)測方法在第t時刻的預(yù)測區(qū)間值可表示為 。本文提出的基于相關(guān)系數(shù)的IOWGA算子的步驟如下：

Step1. 對于給出的實際觀察序列 和各單項預(yù)測序列區(qū)間值 由式（2）計算區(qū)間值的中點和半徑表示形式。

Step2. 計算每個時點各單項預(yù)測值中點和半徑的精度，并按照由大到小的順序排列[16]：

uit稱為第i種單項預(yù)測方法在第t時刻的預(yù)測精度，其中 。我們將預(yù)測精度uit作為誘導(dǎo)值，與單項預(yù)測序列可組合成m個二維區(qū)間數(shù)組 。

Step3. 對于每個時點的各單項預(yù)測值的中點和半徑按照對應(yīng)精度的排列順序分別賦予相應(yīng)的權(quán)重值 ，可以求得區(qū)間組合預(yù)測值的中點和半徑分別是 。

其中 是uit按照從大到小的順序排列的第i大的數(shù)的下標(biāo)，

Step4. 分別計算區(qū)間組合預(yù)測值中點和半徑與實際觀測值之間的相關(guān)系數(shù)：

Rm是基于IOWGA算子的區(qū)間組合預(yù)測方法中預(yù)測值的中點序列 與實際區(qū)間觀測值中點序列 的對數(shù)相關(guān)系數(shù)，Rr是基于IOWGA算子的區(qū)間組合預(yù)測方法中預(yù)測值的半徑序列 與實際區(qū)間觀測值半徑序列 的對數(shù)相關(guān)系數(shù)。其中

，當(dāng)Rm和Rr越接近于1，即預(yù)測值與實際值的對數(shù)相關(guān)系數(shù)越大，預(yù)測值與實際值越接近，兩者之間的誤差越小，預(yù)測值越可靠。令：

，則稱 分別為基于相關(guān)系數(shù)及IOWGA算子的區(qū)間組合預(yù)測模型的中點和半徑誤差信息矩陣。有：

將式（6）分別記為 ，我們所期望的是預(yù)測值具有更高的可靠性，這里就要求對數(shù)相關(guān)系數(shù)足夠大，則應(yīng)使得區(qū)間組合預(yù)測值的中點和半徑序列的對數(shù)相關(guān)系數(shù)最大化，則有：

上面的目標(biāo)函數(shù)模型是多目標(biāo)的非線性最優(yōu)化問題， 求解比較復(fù)雜，為了簡化問題的求解，這里需要引入一個變量？籽，使得多目標(biāo)規(guī)劃問題變?yōu)閱文繕?biāo)的非線性規(guī)劃問題。最終的目標(biāo)函數(shù)為：

3? 實例分析

為了驗證基于相關(guān)系數(shù)的IOWGA算子下的連續(xù)區(qū)間組合預(yù)測值的有效性，利用文獻(xiàn)[14]的數(shù)據(jù)，對于本文提出的模型進(jìn)行了實例分析，表1給出了實際觀測值與各單項預(yù)測值的信息。

這里取參數(shù)？籽=0.5，使用軟件處理工具（lingo），求出該區(qū)間組合預(yù)測模型的最優(yōu)權(quán)重解為？棕1=0.3427，？棕2=2865，？棕3=0.3708。

下面從4種誤差指標(biāo)進(jìn)行模型效果分析，各指標(biāo)結(jié)果如表2。

我們可以看到本文提出的基于相關(guān)系數(shù)的IOWGA算子的組合預(yù)測模型（？籽=0.5）的MSEP和MSEI值都是比較小的，相對單項預(yù)測方法來說，這2項指標(biāo)明顯降低，而MSEL和MRIE值并非最小，但也不是最大的，說明本文提出的方法是非劣性的。綜合來看，基于相關(guān)系數(shù)的IOWGA算子的組合預(yù)測方法可以很好地提高預(yù)測精度。

下面對最優(yōu)化模型中的參數(shù)？籽作靈敏度分析，參數(shù)？籽是對組合預(yù)測區(qū)間中點和半徑的重要性程度的度量。由目標(biāo)函數(shù)的表達(dá)式可知，最優(yōu)權(quán)重隨著？籽的變化而變化，因此，得到的預(yù)測值也不是唯一的。為了分析對所有的參數(shù)？籽的取值，模型是否具有有效性，這里需要對參數(shù)？籽的取值作靈敏度分析。??？籽∈[0，1]，分別計算其對應(yīng)的最優(yōu)權(quán)重？棕1，？棕2 ，？棕3以及相應(yīng)的誤差指標(biāo)的值。

由靈敏度分析圖可知，隨著的增大，MSEP值是由穩(wěn)定值逐漸減小到0.1附近，而MSEL值的變化則是和MSEP完全相反，MSEL值隨著？籽的增大而增大，MSEI先逐漸減小到最小值后迅速增大，MRIE先趨于穩(wěn)定值后再減小，類似于MSEP的變化?？傮w觀察4個指標(biāo)的變化趨勢，當(dāng)？籽？燮0.5時，變化都很平穩(wěn)，當(dāng)？籽>0.5時，變化比較劇烈，因此，當(dāng)我們選?。孔?？燮0.5時，預(yù)測都會得到不錯的效果。

4? 結(jié)論

本文首先將區(qū)間值用區(qū)間中點和半徑來表示，計算出區(qū)間中點和半徑所對應(yīng)的區(qū)間精度作為IOWGA算子的誘導(dǎo)值，結(jié)合相關(guān)系數(shù)和誘導(dǎo)有序加權(quán)平均（IOWGA）算子給出一類區(qū)間值時間序列的組合預(yù)測模型。通過最大化實際值和基于IOWGA算子的組合預(yù)測值之間區(qū)間中心序列和半徑序列的相似性程度，給出組合預(yù)測的一類客觀權(quán)重信息確定方法。最后根據(jù)4個誤差指標(biāo)，通過實例分析驗證了本文提出的基于相關(guān)系數(shù)的IOWGA算子的區(qū)間組合預(yù)測方法是有效的。但本文是簡單地基于區(qū)間中點和區(qū)間半徑進(jìn)行求解，缺乏基于區(qū)間值兩端點的討論，對于區(qū)間值兩端點的研究結(jié)果與本文的結(jié)果是否會有出入還需要進(jìn)一步研究。

參考文獻(xiàn)：

[1]Bates J M， Granger C W J. The Combination of Forecasts[J]. Journal of the Operational Research Society，1969，20（4）：451-468.

[2]唐小我.最優(yōu)組合預(yù)測方法及其應(yīng)用[J].數(shù)理統(tǒng)計與管理， 1992（1）：31-35.

[3]Xie K， Zhou J. Research of the Weight Changeable Combination Forecast Model[J]. SYSTEMS ENGINEERING-THEORY & PRACTICE， 2000.

[4]Chao Z， Zhang Q. Weight Changeable Combination forecast method based On ACA[C]. IEEE International Conference on Industrial Engineering & Engineering Management， 2010.

[5]Hu Z， Ma J， Yang L， et al. Decomposition-Based Dynamic Adaptive Combination Forecasting for Monthly Electricity Demand[J]. Sustainability， 2019， 11.

[6]陳華友.組合預(yù)測方法有效性理論及其應(yīng)用[M].科學(xué)出版社，2008.

[7]唐小我，馬永開，曾勇，等.現(xiàn)代組合預(yù)測和組合投資決策方法及應(yīng)用[M].科學(xué)出版社，2003.

[8]Yager R R. On ordered weighted averaging aggregation operators in multicriteria decision making[J]. Readings in Fuzzy Sets for Intelligent Systems， 1993， 18（1）：80-87.

[9]Xu Z S， Da Q L. The uncertain OWA operator.[J]. International Journal of Intelligent Systems， 2002， 17（6）：569-575.

[10]Zhou L G ， Chen H Y ， José M. Merigó， et al. Uncertain generalized aggregation operators[J]. Expert Systems with Applications， 2012， 39（1）：1105-1117.

[11]Xu Z S. Dependent uncertain ordered weighted aggregation operators[J]. Information Fusion， 2008， 9（2）：310-316.

[12]陳華友，盛昭瀚.一類基于IOWGA算子的組合預(yù)測新方法[J].管理工程學(xué)報，2005，19（4）：36-39.

[13]丁子千，汪晶瑤，周禮剛，等.基于相關(guān)系數(shù)的IOWGA算子組合預(yù)測模型[J].運籌與管理，2010，19（4）：45-50.

[14]王應(yīng)明.基于相關(guān)性的組合預(yù)測方法研究[J].預(yù)測，2002（2）：58-62.

[15]陳華友，李翔，金磊，等.基于相關(guān)系數(shù)及IOWA算子的區(qū)間組合預(yù)測方法[J].統(tǒng)計與決策，2012（6）：83-86.

[16]陳月.基于相關(guān)系數(shù)及誘導(dǎo)算子的組合預(yù)測模型研究[D]. 安徽大學(xué)，2014.

[17]周禮剛.幾類廣義信息集成算子及其在多屬性決策中的應(yīng)用[D].安徽大學(xué)，2013.