基于GOSSA和HMM的时间序列预测算法

时间序列具有非线性和不稳定性等特点，当前时间序列预测研究面临模型训练参数多、泛化能力差等挑战，其预测精度无法保证. 基于此，本文提出一种基于全局最优的麻雀搜索算法（Globally Optimal Sparrow Search Al⁃gorithm，GOSSA）和隐马尔可夫模型（Hidden Markov Model， HMM）相融合的时间序列预测模型（GOSSA-HMM）. 根据隐马尔可夫模型在模式识别和分类上的优势，对原始数据做差值处理并划分类别属性，以此作为隐马尔可夫模型的输入. 采用全局最优的麻雀搜索算法对隐马尔可夫模型的参数进行训练，以解决参数训练过程中存在的收敛速度慢，对初始值设置敏感的问题. 将赋予类别属性的差值数据进行分段，利用改进之后的隐马尔可夫模型测算每段序列走势的概率，从与当前数据走势相匹配的过去数据集中定位相同的模型实现预测. 通过对山东半岛15个海洋牧场的溶解氧数据进行预测分析，结果表明与当前主要时间序列预测算法相比，GOSSA-HMM训练的参数较少，计算成本较低，具有更好的预测精度和泛化能力.