數(shù)據(jù)特征分析agent預測支持系統(tǒng)設計.doc

此文檔收集于網(wǎng)絡，如有侵權，請聯(lián)系網(wǎng)站刪除天馬行空官方博客：/tmxk_docin ；QQ:1318241189；QQ群：175569632基于Multi-Agent System預測支持系統(tǒng)數(shù)據(jù)特征分析Agent設計 國家自然科學基金資助項目（79970038）天馬行空官方博客：/tmxk_docin ；QQ:1318241189；QQ群：175569632摘要 本文從數(shù)據(jù)特征分析Agent在整個預測支持系統(tǒng)中的重要性出發(fā)，基于提高整個預測支持系統(tǒng)效率的原則，設計了數(shù)據(jù)特征分析Agent。給出了該Agent的功能框圖、功能表、結構及部分算法的選擇。關鍵詞 預測支持系統(tǒng) 數(shù)據(jù)特征 Agent1 引言預測支持系統(tǒng)是將計算機技術、人工智能技術與預測技術相結合，能幫助人們進行預測的軟件系統(tǒng)。早期的預測支持系統(tǒng)主要與計算機技術本身結合很緊密，人工智能技術的應用不是很深入。隨著人工智能技術的發(fā)展與具體成果的推出，預測研究人員研究與開發(fā)了智能化預測支持系統(tǒng)1。其中本課題組的基于Multi-Agent System的預測支持系統(tǒng)是智能化預測支持系統(tǒng)的前沿子課題。預測支持系統(tǒng)中的預測方法大部分是時間序列方法，這些方法所基于的預測思想是時間序列思想。即認為事物發(fā)展本身存在著一個延續(xù)的發(fā)展過程。正確地識別這種發(fā)展模式可以預測事物的發(fā)展過程。在預測時，依據(jù)表示事物狀態(tài)的主要變量的歷史數(shù)據(jù)，用統(tǒng)計學方法或系統(tǒng)辨識方法建立起描述事物迄今為止的變化規(guī)律的數(shù)學模型，并以此來推測將來。而現(xiàn)實系統(tǒng)的狀態(tài)變量所產(chǎn)生的時間序列是各式各樣的，既有平穩(wěn)的、非平穩(wěn)的，隨機的、非隨機的，線性的、非線性的，又有季節(jié)性的、非季節(jié)性的，短記憶的、長記憶的，同方差的與異方差的等等3 只是按目前在文獻中出現(xiàn)的有關時間序列的若干特性羅列，不排除各特性之間有相互交叉與重疊的 情況。總之，異常復雜。雖然基于MAS的預測支持系統(tǒng)較之單個預測方法或其它預測支持系統(tǒng)有其不可替代的優(yōu)越性，但它并不是仙丹妙藥，包治百病。對有些時間序列，它能有效地完成預測任務；但對另一些時間序列卻難以進行定量預測，只能進行定性預測。所以，要使基于MAS的預測支持系統(tǒng)發(fā)揮有效的功能，作為支持系統(tǒng)的“看門狗”數(shù)據(jù)特征分析Agent的性能如何在很大程度上決定了該支持系統(tǒng)的有效性與準確程度。這個Agent 要完成對被測時間序列有效的分類，并把分類的信息作為輸出信號傳給管理Agent，由它選擇模型完成預測任務。本文就探討數(shù)據(jù)特征分析Agent的設計。2 數(shù)據(jù)特征分析Agent的功能框圖季節(jié)性時序AInform.6Inform.5Inform.4Inform.3Inform.2Inform.1NYNYYN讀入時間序列數(shù)據(jù)文件平穩(wěn)性判斷季節(jié)性判斷差分處理非季節(jié)性時序樣本量2500利用R/S進行相關性分析長短記憶混合時 序長記憶時 序完全隨機時 序作短記憶 時 序 處理異方差性BCD管理Agent圖1 數(shù)據(jù)特征分析Agent框圖圖中A是同方差長短記憶混合時序，B是同方差長記憶時序，C是異方差長短記憶混合時序，D是異方差長記憶時序。數(shù)據(jù)特征分析Agent主要功能是接到用戶或管理Agent發(fā)來任務預測的命令，讀入時間序列數(shù)據(jù)文件，首先利用通過計算時序的自相關系數(shù)進行序列的平穩(wěn)性及季節(jié)性判斷。若序列不是平穩(wěn)序列，則進行足夠多次的差分處理，直到成為平穩(wěn)序列為止。其次進行利用R/S（Rescaled Range Analysis）分析法進行相關性判斷4 這里假設樣本數(shù)據(jù)足夠多，至少有2500 個樣本。若樣本數(shù)據(jù)少于2500，則系統(tǒng)將序列作為短記憶序列處理。按Hurst指數(shù)值的不同情況把序列分為三類。若H=0.5，則時序為完全隨機的；若H0.5，則時序為正相關的，長記憶時序。若H值對每一增量穩(wěn)定，則表明時序就是長記憶時序；若H值表現(xiàn)出從不穩(wěn)定到穩(wěn)定的變化狀態(tài)，則表明時序是長短記憶混合時序。并這兩類進行異方差性分析。最后把分析結果轉換成信息，交管理Agent處理。具體框圖如圖1所示。3 數(shù)據(jù)分析agent的描述能力表：平穩(wěn)性的判斷、季節(jié)性判斷、相關性分析、異方差性判斷、Hurst值計算。功能實現(xiàn)：接到用戶或管理agent發(fā)送的Request請求后，根據(jù)傳送來的待分析數(shù)據(jù)文件的詳細地址，包括所在機器名、文件路徑及文件名，對其完成所要求的特征分析，并將分析后的結果通過通訊原語“Inform”，發(fā)送給提出請求的agent或者用戶。在對數(shù)據(jù)進行平穩(wěn)性，季節(jié)性、相關性分析及Hurst指數(shù)計算過程中，需要用戶根據(jù)計算所得到的數(shù)據(jù)文件及agent所提供的幫助信息進行相應的處理，才能得到最終的處理結果，因此該agent是一種半自動的agent。4 數(shù)據(jù)分析agent的結構 根據(jù)數(shù)據(jù)分析agent的功能及特點，可以采用反應式的agent結構。因為對于數(shù)據(jù)分析agent來說，不需要具有信念、承諾等精神狀態(tài)，只對傳送來的數(shù)據(jù)文件進行相應的處理，并將處理結果傳送給提出請求的用戶或管理agent。所設計的結構如圖2所示。圖2 數(shù)據(jù)分析agent的結構數(shù)據(jù)分析agent的一項主要能力是利用R/S進行相關性分析，在這個過程中需要計算Hurst指數(shù)，因此系統(tǒng)把這種功能獨立出來也作為agent的一種能力，以方便用戶或其它agent的使用。下面分別介紹數(shù)據(jù)分析agent的平穩(wěn)性、季節(jié)性、相關性、異方差性分析的實現(xiàn)。5 數(shù)據(jù)特征分析Agent部分算法的選擇5.1 平穩(wěn)性分析算法選擇由于時間序列的平穩(wěn)性、季節(jié)性分析相對簡單，在該Agent中就采用計算時序的相關系數(shù)來進行平穩(wěn)性及季節(jié)性的判斷。本文對其算法不再贅述。如果時間序列不是平穩(wěn)序列，則對其進行差分處理，直到成為平穩(wěn)序列為止。5.2 相關性分析算法選擇相關性分析我們采用假設條件較少的R/S分析法(Rescaled Range Analysis)，通過計算Husrt指數(shù)值及其穩(wěn)定性來判斷時序的相關性2，3，4。其算法如下：設一已知時間序列為觀測次數(shù)。則個時間序列觀測點的均值： (5.1)由此，求得在區(qū)間內的累積離差： (5.2)累積離差的極差為： (5.3)區(qū)間內的標準差為： (5.4) R/S 統(tǒng)計量為： (5.5) 其中，a 為常數(shù)，H為赫斯特（Hurst）指數(shù)。在Agent中，按以下步驟來估計Hurst指數(shù)。 把觀測次數(shù)為N的時間序列分為M個長為的區(qū)間（）。 按(5.1)到(5.5)式計算每個區(qū)間的R/S值。 計算M個R/S的算術平均值，記為。 建立關系式： 。對其兩端取對數(shù)得： (5.8)在圖上作回歸，取其斜率為Hurst指數(shù)H的估計值。得到H的估計值后，可以按Mandelbort 的序列相關性度量指標： (5.9)來度量各個增量期間的序列相關性。在自然界各種現(xiàn)象的數(shù)據(jù)序列中，Hurst指數(shù)有三種類型：(1) H=0.5；(2) 0H0.5；(3)0.5H1。當H=0.5時，(5.9)式等于0，這意味著時間序列是完全隨機的和不相關的，現(xiàn)在不會影響未來。對此時間序列的預測多半是沒有意義的。當0H0.5時，(5.9)式小于0，這意味著時間序列是負相關的、反持久性的（Anti-persistence）、遍歷性的序列。這類時間序列在自然界中相當少見。當0.5H1時，(5.9)式大于0 ，這意味著時間序列是正相關的、持久性的（Persistence）（或是長記憶性）序列。如果序列在前一個期間是向上(下)走的，那么，它在下一個期間將繼續(xù)是正（負）的。這類時間序列在定性意義上是完全可預測的，在定量上，在一段時間內也是可以預測的?？蓽y時間的長短關鍵取決于該時間序列的非線性程度如何。5.3 異方差性分析算法的選擇對時序的異方差檢驗，計量經(jīng)濟學家提出了十幾種方法。在該Agent中我們采用Brock et al.提出了”魯棒性”很強的非參數(shù)BDS檢驗5。本文對其算法不再贅述。6 結論 本文從預測支持系統(tǒng)中數(shù)據(jù)特征分析Agent的重要性出發(fā)，基于提高預測支持系統(tǒng)有效性的原則，設計了數(shù)據(jù)特征分析Agent。研究了該Agent的功能框圖、功能表、結構及部分算法的選擇。目的是對某一預測對象的性質作出判斷，然后把此信息傳遞給管理Agent，由它來決定該對象的可測性，并調用相關Agent完成此任務。從而提高整個預測支持系統(tǒng)的工作效率。參考文獻1 胡代平.基于Agent的預測支持系統(tǒng)的研究D.天津大學博士學位論文，19992 Hurst H.E ，Black R.P ， Simaika Y.M . Long term storage capacity of reservoirsJ. Transactions of the American Society of Civil Engineer 116, 19513 Edgar .E. Peters. 資本市場的混沌與秩序M.中譯本 / 王小東 譯經(jīng)濟科學出版社，19994 Mandelbort B.B. and Van Ness J.W. ，F(xiàn)ractional Brownian Motions ，F(xiàn)ractional Noises and ApplicationsJ.SIAM Review ,1968，68(10): 442-4375 Jose A.Scheinkman et al，Nonlinear Dynamics and Stock ReturnsJ，Journal of Business，1989， 62:311-337The Design of Agent for Data Character Analysisin the Forecasting Support System Based on MASLiu Wencai Li Ying Liu Bao Zhang Wei(The Insititute of Systems Engineering , Tianjin University, Tianjin 300072)Abstract In this paper ,an agent for Data