[论文解读] Modeling Time Series of Real Systems using Genetic Programming

Dilip P. Ahalpara, Jitendra C. Parikh|ArXiv.org|Jul 14, 2006

Evolutionary Algorithms and Applications参考文献 4被引用 3

一句话总结

本文提出一种遗传编程（GP）框架，通过演化非线性映射来对真实系统和模拟系统的时间序列进行建模，以预测未来值。该方法在单步预测上表现优异，且对混沌系统（如Logistic映射和Rossler映射）的样本外拟合效果良好，尽管由于误差累积，迭代动态预测随时间推移而性能下降。

ABSTRACT

Analytic models of two computer generated time series (Logistic map and Rossler system) and two real time series (ion saturation current in Aditya Tokamak plasma and NASDAQ composite index) are constructed using Genetic Programming (GP) framework. In each case, the optimal map that results from fitting part of the data set also provides a very good description of rest of the data. Predictions made using the map iteratively range from being very good to fair.

研究动机与目标

• 开发一种基于GP的方法，从有限数据中构建复杂非线性时间序列的解析模型。
• 在确定性混沌系统和现实世界非平稳数据上测试模型的预测能力。
• 通过引入乘数以逃逸局部极小值，解决GP中收敛到平凡解（如Xₜ = Xₜ₋₁）的问题。
• 评估单步预测与多步动态预测在迭代预测中的性能差异。

提出的方法

• GP演化形式为Xₜ = f(Xₜ₋τ, Xₜ₋2τ, ...)的非线性函数映射，使用算术运算符和时滞变量。
• 通过训练窗口内500个点的预测值与实际值之间平方误差和来评估适应度。
• 精英策略保留表现最优的解，而交叉和变异操作则推动种群向更优拟合方向演化。
• 对非平稳时间序列（如NASDAQ和Aditya Tokamak数据）使用小波变换将均值动态与随机波动分离开来。
• 许多GP解中观察到Pade形式结构，该结构在收敛性和奇点建模方面具有数学优势。
• 为避免收敛到平凡解（如Xₜ = Xₜ₋₁），引入常数或高斯乘数，使遗传算子能够探索平凡树之外的区域。

实验结果

研究问题

• RQ1 遗传编程能否从有限数据中有效重构Logistic映射和Rossler映射等混沌时间序列的底层动力学？
• RQ2 GP推导的模型在训练窗口之外的样本外数据上泛化能力如何？
• RQ3 为何平凡解（如Xₜ = Xₜ₋₁）在GP种群中占主导，以及如何缓解此问题？
• RQ4 与单步拟合相比，多步GP拟合在多大程度上能提升长期动态预测的准确性？

主要发现

• GP框架成功以高精度重构了Logistic映射的真实动力学，适应度值高，单步预测表现优异。
• 对于Rossler系统，模型性能较低，表明其在捕捉更复杂的混沌吸引子方面存在局限性。
• 在真实世界数据（Aditya Tokamak离子饱和电流和NASDAQ综合指数）中，GP推导的映射能很好地描述均值动态，尤其在小波预处理后效果更佳。
• 最优模型通常呈现Pade近似形式，相较于标准幂级数，其收敛性与奇点处理能力更优。
• 单步预测始终表现良好，但迭代动态预测因随时间累积的误差而迅速恶化。
• 引入乘数（常数或高斯）有效防止了过早收敛到平凡解，并促进了有意义的非平凡映射的探索。