0104062基于Multi-Agent System预测支持系统(doc)
基于Multi-Agent System预测支持系统 数据特征分析Agent设计[1] 刘文财2 李英 刘豹 张维 （天津大学系统工程研究所 天津 300072） 摘要 本文从数据特征分析Agent在整个预测支持系统中的重要性出发，基于提高整个预 测支持系统效率的原则，设计了数据特征分析Agent。给出了该Agent的功能框图、 功能表、结构及部分算法的选择。 关键词 预测支持系统 数据特征 Agent 1 引言 预测支持系统是将计算机技术、人工智能技术与预测技术相结合，能帮助人们进行预 测的软件系统。早期的预测支持系统主要与计算机技术本身结合很紧密，人工智能技术 的应用不是很深入。随着人工智能技术的发展与具体成果的推出，预测研究人员研究与 开发了智能化预测支持系统[1]。其中本课题组的基于Multi-Agent System的预测支持系统是智能化预测支持系统的前沿子课题。 预测支持系统中的预测方法大部分是时间序列方法，这些方法所基于的预测思想是时 间序列思想。即认为事物发展本身存在着一个延续的发展过程。正确地识别这种发展模 式可以预测事物的发展过程。在预测时，依据表示事物状态的主要变量的历史数据，用 统计学方法或系统辨识方法建立起描述事物迄今为止的变化规律的数学模型，并以此来 推测将来。而现实系统的状态变量所产生的时间序列是各式各样的，既有平稳的、非平 稳的，随机的、非随机的，线性的、非线性的，又有季节性的、非季节性的，短记忆的 、长记忆的，同方差的与异方差的等等3。总之，异常复杂。虽然基于MAS的预测支持系 统较之单个预测方法或其它预测支持系统有其不可替代的优越性，但它并不是仙丹妙药 ，包治百病。对有些时间序列，它能有效地完成预测任务；但对另一些时间序列却难以 进行定量预测，只能进行定性预测。 所以，要使基于MAS的预测支持系统发挥有效的功能，作为支持系统的“看门狗”——数 据特征分析Agent的性能如何在很大程度上决定了该支持系统的有效性与准确程度。这个 Agent 要完成对被测时间序列有效的分类，并把分类的信息作为输出信号传给管理Agent，由它 选择模型完成预测任务。本文就探讨数据特征分析Agent的设计。 2 数据特征分析Agent的功能框图 图1 数据特征分析Agent框图 图中A是同方差长短记忆混合时序，B是同方差长记忆时序，C是异方差长短记忆混合 时序，D是异方差长记忆时序。 数据特征分析Agent主要功能是接到用户或管理Agent发来任务预测的命令，读入时间 序列数据文件，首先利用通过计算时序的自相关系数进行序列的平稳性及季节性判断。 若序列不是平稳序列，则进行足够多次的差分处理，直到成为平稳序列为止。其次进行 利用R/S（Rescaled Range Analysis）分析法进行相关性判断4。按Hurst指数值的不同情况把序列分为三类。若H= 0.5，则时序为完全随机的；若H0.5，则时序为正相关的，长记忆时序。若H值对每一增量 稳定，则表明时序就是长记忆时序；若H值表现出从不稳定到稳定的变化状态，则表明时 序是长短记忆混合时序。并这两类进行异方差性分析。最后把分析结果转换成信息，交 管理Agent处理。具体框图如图1所示。 3 数据分析agent的描述 能力表：平稳性的判断、季节性判断、相关性分析、异方差性判断、Hurst值计算。 功能实现：接到用户或管理agent发送的Request请求后，根据传送来的待分析数据文 件的详细地址，包括所在机器名、文件路径及文件名，对其完成所要求的特征分析，并 将分析后的结果通过通讯原语“Inform”，发送给提出请求的agent或者用户。在对数据进 行平稳性，季节性、相关性分析及Hurst指数计算过程中，需要用户根据计算所得到的数 据文件及agent所提供的帮助信息进行相应的处理，才能得到最终的处理结果，因此该a gent是一种半自动的agent。 4 数据分析agent的结构 根据数据分析agent的功能及特点，可以采用反应式的agent结构。因为对于数据分析ag ent来说，不需要具有信念、承诺等精神状态，只对传送来的数据文件进行相应的处理， 并将处理结果传送给提出请求的用户或管理agent。所设计的结构如图2所示。 [pic] 图2 数据分析agent的结构 数据分析agent的一项主要能力是利用R/S进行相关性分析，在这个过程中需要计算H urst指数，因此系统把这种功能独立出来也作为agent的一种能力，以方便用户或其它a gent的使用。下面分别介绍数据分析agent的平稳性、季节性、相关性、异方差性分析的 实现。 5 数据特征分析Agent部分算法的选择 5.1 平稳性分析算法选择 由于时间序列的平稳性、季节性分析相对简单，在该Agent中就采用计算时序的相关 系数来进行平稳性及季节性的判断。本文对其算法不再赘述。如果时间序列不是平稳序 列，则对其进行差分处理，直到成为平稳序列为止。 5.2 相关性分析算法选择 相关性分析我们采用假设条件较少的R/S分析法(Rescaled Range Analysis)，通过计算Husrt指数值及其稳定性来判断时序的相关性[2，3，4]。其算法如 下： 设一已知时间序列[pic]为观测次数。则τ个时间序列观测点的均值： [pic] (5.1) 由此，求得在τ区间内的累积离差： [pic] (5.2) 累积离差的极差为：[pic] (5.3) τ区间内的标准差为：[pic] (5.4) R/S 统计量[pic]为： [pic] (5.5) 其中，a 为常数，H为赫斯特（Hurst）指数。 在Agent中，按以下步骤来估计Hurst指数。 1. 把观测次数为N的时间序列[pic]分为M个长为τ的区间（[pic]）。 2. 按(5.1)到(5.5)式计算每个τ区间的R/S值。 3. 计算M个R/S的算术平均值，记为[pic]。 4. 建立关系式：[pic] 。对其两端取对数得： [pic] (5.8) ⑤在[pic]图上作回归，取其斜率为Hurst指数H的估计值。 得到H的估计值后，可以按Mandelbort 的序列相关性度量指标： [pic] (5.9) 来度量各个增量期间的序列相关性。 在自然界各种现象的数据序列中，Hurst指数有三种类型：(1) H=0.5；(2) 0≤H
0104062基于Multi-Agent System预测支持系统(doc)