《基于Multi-AgentSystem预测支持系统设计29938.docx》由会员分享，可在线阅读，更多相关《基于Multi-AgentSystem预测支持系统设计29938.docx（12页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、基于Multi-Agent System预测支持系统数据特征分析Agent设计 国家自然科学基金资助项目（79970038） 刘文财财2 刘文财，博士研究生，天津大学管理学院9051，Tel：022-27409862，E-mail：lwc106。 李英 刘豹 张维 （天津大学学系统工程研研究所 天津 3000072）摘要 本文从从数据特征分分析Agennt在整个预预测支持系统统中的重要性性出发，基于于提高整个预预测支持系统统效率的原则则，设计了数数据特征分析析Agentt。给出了该该Agentt的功能框图图、功能表、结结构及部分算算法的选择。关键词 预测测支持系统 数据特征征 Ageent1
2、引言预测支持系统是是将计算机技技术、人工智智能技术与预预测技术相结结合，能帮助助人们进行预预测的软件系系统。早期的的预测支持系系统主要与计计算机技术本本身结合很紧紧密，人工智智能技术的应应用不是很深深入。随着人人工智能技术术的发展与具具体成果的推推出，预测研研究人员研究究与开发了智智能化预测支支持系统11。其中本本课题组的基基于Multti-Ageent Syystem的的预测支持系系统是智能化化预测支持系系统的前沿子子课题。预测支持系统中中的预测方法法大部分是时时间序列方法法，这些方法法所基于的预预测思想是时时间序列思想想。即认为事事物发展本身身存在着一个个延续的发展展过程。正确确地识别这种
3、种发展模式可可以预测事物物的发展过程程。在预测时时，依据表示示事物状态的的主要变量的的历史数据，用用统计学方法法或系统辨识识方法建立起起描述事物迄迄今为止的变变化规律的数数学模型，并并以此来推测测将来。而现现实系统的状状态变量所产产生的时间序序列是各式各各样的，既有有平稳的、非非平稳的，随随机的、非随随机的，线性性的、非线性性的，又有季季节性的、非非季节性的，短短记忆的、长长记忆的，同同方差的与异异方差的等等等3 只是按目前在文献中出现的有关时间序列的若干特性罗列，不排除各特性之间有相互交叉与重叠的 情况。总之，异异常复杂。虽虽然基于MAAS的预测支支持系统较之之单个预测方方法或其它预预测支持
4、系统统有其不可替替代的优越性性，但它并不不是仙丹妙药药，包治百病病。对有些时时间序列，它它能有效地完完成预测任务务；但对另一一些时间序列列却难以进行行定量预测，只只能进行定性性预测。所以，要使基于于MAS的预预测支持系统统发挥有效的的功能，作为为支持系统的的“看门狗”数据特征征分析Ageent的性能能如何在很大大程度上决定定了该支持系系统的有效性性与准确程度度。这个Aggent 要要完成对被测测时间序列有有效的分类，并并把分类的信信息作为输出出信号传给管管理Agennt，由它选选择模型完成成预测任务。本本文就探讨数数据特征分析析Agentt的设计。2 数据特征分分析Agennt的功能框框图季节
5、性时序AInform.6Inform.5Inform.4Inform.3Inform.2Inform.1NYNYYN读入时间序列数据文件平稳性判断季节性判断差分处理非季节性时序样本量2500利用R/S进行相关性分析长短记忆混合时 序长记忆时 序完全随机时 序作短记忆 时 序 处理异方差性BCD管理Agent图1 数据特特征分析Aggent框图图图中A是同方差差长短记忆混混合时序，BB是同方差长长记忆时序，CC是异方差长长短记忆混合合时序，D是是异方差长记记忆时序。数据特征分析AAgent主主要功能是接接到用户或管管理Agennt发来任务务预测的命令令，读入时间间序列数据文文件，首先利利用通过计
6、算算时序的自相相关系数进行行序列的平稳稳性及季节性性判断。若序序列不是平稳稳序列，则进进行足够多次次的差分处理理，直到成为为平稳序列为为止。其次进进行利用R/S（Rescaaled RRange Analyysis）分分析法进行相相关性判断4 这里假设样本数据足够多，至少有2500 个样本。若样本数据少于2500，则系统将序列作为短记忆序列处理。按按Hurstt指数值的不不同情况把序序列分为三类类。若H=00.5，则时时序为完全随随机的；若HH0.5，则时时序为正相关关的，长记忆忆时序。若HH值对每一增增量稳定，则则表明时序就就是长记忆时时序；若H值值表现出从不不稳定到稳定定的变化状态态，则表
7、明时时序是长短记记忆混合时序序。并这两类类进行异方差差性分析。最最后把分析结结果转换成信信息，交管理理Agentt处理。具体体框图如图11所示。3 数据分析aagent的的描述能力表：平稳性性的判断、季季节性判断、相相关性分析、异异方差性判断断、Hursst值计算。功能实现：接到到用户或管理理agentt发送的Reqquest请请求后，根据据传送来的待待分析数据文文件的详细地地址，包括所所在机器名、文文件路径及文文件名，对其其完成所要求求的特征分析析，并将分析析后的结果通通过通讯原语语“Infoorm”，发发送给提出请请求的ageent或者用用户。在对数数据进行平稳稳性，季节性性、相关性分分析
8、及Hurrst指数计计算过程中，需需要用户根据据计算所得到到的数据文件件及agennt所提供的的帮助信息进进行相应的处处理，才能得得到最终的处处理结果，因因此该ageent是一种种半自动的aagent。4 数据分析aagent的的结构 根据数数据分析aggent的功功能及特点，可可以采用反应应式的ageent结构。因因为对于数据据分析ageent来说，不不需要具有信信念、承诺等等精神状态，只只对传送来的的数据文件进进行相应的处处理，并将处处理结果传送送给提出请求求的用户或管管理agennt。所设计计的结构如图图2所示。图2 数据分分析agennt的结构数据分析ageent的一项项主要能力是是利
9、用R/SS进行相关性性分析，在这这个过程中需需要计算Huurst指数数，因此系统统把这种功能能独立出来也也作为ageent的一种种能力，以方方便用户或其其它agennt的使用。下下面分别介绍绍数据分析aagent的的平稳性、季季节性、相关关性、异方差差性分析的实实现。5 数据特征分分析Agennt部分算法法的选择5.1 平稳性性分析算法选选择由于时间序列的的平稳性、季季节性分析相相对简单，在在该Agennt中就采用用计算时序的的相关系数来来进行平稳性性及季节性的的判断。本文文对其算法不不再赘述。如如果时间序列列不是平稳序序列，则对其其进行差分处处理，直到成成为平稳序列列为止。5.2 相关性性分
10、析算法选选择相关性分析我们们采用假设条条件较少的RR/S分析法法(Resccaled Rangee Anallysis)，通过计算算Husrtt指数值及其其稳定性来判判断时序的相相关性2，33，4。其其算法如下：设一已知时间序序列为观测次次数。则个时间序列列观测点的均均值： (5.1)由此，求得在区间内的累累积离差： (5.2)累积离差的极差差为： (5.3)区间内的标准准差为： (5.4) R/S 统计量量为： (55.5) 其中中，a 为常数，HH为赫斯特（HHurst）指指数。在Agent中中，按以下步步骤来估计HHurst指数数。 把观测次数为NN的时间序列列分为M个长长为的区间（）。
11、 按(5.1)到到(5.5)式计算每个个区间的R/S值。 计算M个R/SS的算术平均均值，记为。 建立关系式： 。对其两两端取对数得得： (5.88)在图上作回归归，取其斜率率为Hursst指数H的的估计值。得到H的估计值值后，可以按按Mandeelbortt 的序列相相关性度量指指标： (5.99)来度量各个增量量期间的序列列相关性。在自然界各种现现象的数据序序列中，Huurst指数数有三种类型型：(1) H=0.5；(2) 00H0.5；(3)0.5H1。当H=0.5时，(5.99)式等于0，这意味着着时间序列是是完全随机的的和不相关的的，现在不会会影响未来。对对此时间序列列的预测多半半是
12、没有意义义的。当0H0.5时，(5.99)式小于0，这意味着着时间序列是是负相关的、反反持久性的（AAnti-ppersisstencee）、遍历性的序序列。这类时时间序列在自自然界中相当当少见。当00.5H1时，(5.99)式大于0 ，这意味味着时间序列列是正相关的的、持久性的的（Perssistennce）（或或是长记忆性性）序列。如如果序列在前前一个期间是是向上(下)走的，那那么，它在下下一个期间将将继续是正（负负）的。这类类时间序列在在定性意义上上是完全可预预测的，在定定量上，在一一段时间内也也是可以预测测的。可测时时间的长短关关键取决于该该时间序列的的非线性程度度如何。5.3 异方差
13、差性分析算法法的选择对时序的异方差差检验，计量量经济学家提提出了十几种种方法。在该该Agentt中我们采用用Brockk et al.提提出了”鲁棒性”很强的非参参数BDS检验5。本文文对其算法不不再赘述。6 结论 本文从预预测支持系统统中数据特征征分析Ageent的重要要性出发，基基于提高预测测支持系统有有效性的原则则，设计了数数据特征分析析Agentt。研究了该该Agentt的功能框图图、功能表、结结构及部分算算法的选择。目目的是对某一一预测对象的的性质作出判判断，然后把把此信息传递递给管理Aggent，由由它来决定该该对象的可测测性，并调用用相关Ageent完成此此任务。从而而提高整个预
14、预测支持系统统的工作效率率。参考文献1 胡代平.基于Agennt的预测支支持系统的研研究D.天津大学博博士学位论文文，199992 Hursst H.EE ，Blackk R.P ， Simmaika Y.M . Longg terrm stoorage capaccity oof resservoiirsJ. Trannsactiions oof thee Amerrican Socieety off Civiil Enggineerr 116, 195113 Edgaar .E. Peteers. 资资本市场的混混沌与秩序M.中译本 / 王小东 译经济科学学出版社，119994 Mandd
15、elborrt B.BB. andd Van Ness J.W. ，Fracttionall Browwnian Motioons ，FFractiional Noisees and AppliicatioonsJ.SIAMM Reviiew ,11968，68(100): 4442-43775 Josee A.Sccheinkkman eet al，Nonliinear Dynammics aand Sttock RReturnnsJ，Joournall of BBusineess，1989， 62:311-337The Dessign oof Ageent foor Datta Chaar
16、acteer Anaalysissin the Foreccastinng Suppport Systeem Bassed onn MASLiu Wenncai Li Yiing LLiu Baao Zhhang WWei(The Innsitittute oof Sysstems Enginneerinng , TTianjiin Univeersityy, Tianjinn 3000072)Abstracct In thhis paaper ,an aggent ffor Daata Chharactter Annalysiis is desiggned .The ffunctiional flow chartt and struccture of thhis aggent aare giiven , the choosse of some relatted allgoritthms iis proovidedd alsoo.Keywordds Foreccastinng Suppport Systeem DData CCharaccter Agennt