【NN】基于非线性尖峰神经P系统和非二次采样剪切变换的多变量时间序列预测方法
多变量时间序列预测由于其非线性、非平稳、高维和时空特征，以及变量之间的相关性，仍然是一项具有挑战性的任务。为了解决这一局限性，我们提出了一种基于非线性尖峰神经P（NSNP）系统和非子采样剪切变换（NSST）的多变量时间序列预测新方法。首先将多变量时间序列转换到NSST域，然后在NSST域中自动构建、训练和预测NSNP系统。由于NSNP系统被用作非线性预测模型并在NSST域中工作，因此所提出的预测方法本质上是一种基于多尺度变换（MST）的预测方法。因此，所提出的预测方法可以处理非线性和非平稳的时间序列，并且变量之间的相关性可以用NSST变换的多分辨率特征来表征。使用五个真实的多变量时间序列将所提出的预测方法与五种最先进的和28种基线预测方法进行比较。比较结果证明了该方法在多变量时间序列预测中的有效性。
