基于multi-agent system预测支持系统设计

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（） 刘文财2 刘文财，博士研究生，天津大学管理学院9051，Tel：022-，E-mail：。 李英 刘豹 张维 （天津大学系统工程研究所 天津 ）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 Agent1 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 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的功能框图季节性时序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 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agent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agent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。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Hurst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agent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：设一已知时间序列为观测次数。则个时间序列观测点的均值： (5.1)由此，求得在区间内的累积离差： (5.2)累积离差的极差为： (5.3)区间内的标准差为： (5.4) R/S 统计量为： (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。 把观测次数为N的时间序列分为M个长为的区间（）。 按(5.1)到(5.5)式计算每个区间的R/S值。 计算M个R/S的算术平均值，记为。 建立关系式： 。对其两端取对数得： (5.8)在图上作回归，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： (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) 0H0.5；(3)0.5H1。当H=0.5时，(5.9)式等于0，这意味着时间序列是完全随机的和不相关的，现在不会影响未来。对此时间序列的预测多半是没有意义的。当0H0.5时，(5.9)式小于0，这意味着时间序列是负相关的、反持久性的（Anti-persistence）、遍历性的序列。这类时间序列在自然界中相当少见。当0.5H1时，(5.9)式大于0 ，这意味着时间序列是正相关的、持久性的（Persistence）（或是长记忆性）序列。如果序列在前一个期间是向上(下)走的，那么，它在下一个期间将继续是正（负）的。这类时间序列在定性意义上是完全可预测的，在定量上，在一段时间内也是可以预测的。可测时间的长短关键取决于该时间序列的非线性程度如何。5.3 异方差性分析算法的选择对时序的异方差检验，计量经济学家提出了十几种方法。在该Agent中我们采用Brock et al.提出了”鲁棒性”很强的非参数BDS检验5。本文对其算法不再赘述。6 结论 本文从预测支持系统中数据特征分析Agent的重要性出发，基于提高预测支持系统有效性的原则，设计了数据特征分析Agent。研究了该Agent的功能框图、功能表、结构及部分算法的选择。目的是对某一预测对象的性质作出判断，然后把此信息传递给管理Agent，由它来决定该对象的可测性，并调用相关Agent完成此任务。从而提高整个预测支持系统的工作效率。参考文献1 胡代平.基于Agent的预测支持系统的研究D.天津大学博士学位论文，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. 资本市场的混沌与秩序M.中译本 / 王小东 译经济科学出版社，19994 Mandelbort B.B. and Van Ness J.W. ，Fractional Brownian Motions ，Fractional 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 )Abstract In this paper ,an agent for Data Character Analysis is designed .The