数据特征分析Agent预测支持系统设计样本.doc

基于Multi-Agent System估计支持系统
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2 刘文财，博士硕士，天津大学管理学院9051，Tel：，E-mail：。
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在整个估计支持系统中关键性出发，基于提升整个估计支持系统效率标准，设计了数据特征分析Agent。给出了该Agent功效框图、功效表、结构及部分算法选择。
关键词 估计支持系统 数据特征 Agent

1 引言
估计支持系统是将计算机技术、人工智能技术和估计技术相结合，能帮助大家进行估计软件系统。早期估计支持系统关键和计算机技术本身结合很紧密，人工智能技术应用不是很深入。伴随人工智能技术发展和具体结果推出，估计研究人员研究和开发了智能化估计支持系统[1]。其中本课题组基于Multi-Agent System估计支持系统是智能化估计支持系统前沿子课题。
估计支持系统中估计方法大部分是时间序列方法，这些方法所基于估计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发展过程。正确地识别这种发展模式能够估计事物发展过程。在估计时，依据表示事物状态关键变量历史数据，用统计学方法或系统辨识方法建立起描述事物迄今为止改变规律数学模型，并以此来推测未来。而现实系统状态变量所产生时间序列是各式各样，现有平稳、非平稳，随机、非随机，线性、非线性，又有季节性、非季节性，短记忆、长记忆，同方差和异方差等等3 只是按现在在文件中出现相关时间序列若干特征罗列，不排除各特征之间有相互交叉和重合 情况
。总而言之，异常复杂。即使基于MAS估计支持系统较之单个估计方法或其它估计支持系统有其不可替换优越性，但它并不是仙丹妙药，包治百病。对有些时间序列，它能有效地完成估计任务；但对另部分时间序列却难以进行定量估计，只能进行定性估计。
所以，要使基于MAS估计支持系统发挥有效功效，作为支持系统“看门狗”——数据特征分析Agent性能怎样在很大程度上决定了该支持系统有效性和正确程度。这个Agent 要完成对被测时间序列有效分类，并把分类信息作为输出信号传给管理Agent，由它选择模型完成估计任务。本文就探讨数据特征分析Agent设计。

2 数据特征分析Agent功效框图
季节性时序
A
Inform.6
Inform.5
Inform.4
Inform.3
Inform.2
Inform.1
N
Y
N
Y
Y
N
读入时间序列数据文件
平稳性判定
季节性判定
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
B
C
D
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关键功效是接到用户或管理Agent发来任务估计命令，读入时间序列数据文件，首先利用经过计算时序自相关系数进行序列平稳性及季节性判定。若序列不是平稳序列，则进行足够数次差分处理，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定4 这里假设样本数据足够多，最少有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指数值不一样情况把序列分为三类。若H=0.5，则时序为完全随机；若H<0.5，则时序为反持久性序列，这在自然界中相当稀少，在本系统内不作考虑；若H>0.5，则时序为正相关，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改变状态，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。最终把分析结果转换成信息，交管理Agent处理。具体框图图1所表示。

3 数据分析agent描述
能力表：平稳性判定、季节性判定、相关性分析、异方差性判定、Hurst值计算。
功效实现：接到用户或管理agent发送Request请求后，依据传送来待分析数据文件具体地址，包含所在机器名、文件路径及文件名，对其完成所要求特征分析，并将分析后结果经过通讯原语“Inform”，发送给提出请求agent或用户。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，需要用户依据计算所得到数据文件及agent所提供帮助信息进行对应处理，才能得到最终处理结果，所以该agent是一个半自动agent。

4 数据分析agent结构
依据数据分析agent功效及特点，能够采取反应式agent结构。因为对于数据分析agent来说，不需要含有信念、承诺等精神状态，只对传送来数据文件进行对应处理，并将处理结果传送给提出请求用户或管理agent。所设计结构图2所表示。

图2 数据分析agent结构
数据分析agent一项关键能力是利用R/S进行相关性分析，在这个过程中需要计算Hurst指数，所以系统把这种功效独立出来也作为agent一个能力，以方便用户或其它agent使用。下面分别介绍数据分析agent平稳性、季节性、相关性、异方差性分析实现。

5 数据特征分析Agent部分算法选择

5.1 平稳性分析算法选择
因为时间序列平稳性、季节性分析相对简单，在该Agent中就采取计算时序相关系数来进行平稳性及季节性判定。本文对其算法不再赘述。假如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
相关性分析我们采取假设条件较少R/S分析法(Rescaled Range Analysis)，经过计算Husrt指数值及其稳定性来判定时序相关性[2，3，4]。其算法以下：
设一已知时间序列为观察次数。则τ个时间序列观察点均值：
(5.1)
由此，求得在τ区间内累积离差：
(5.2)
累积离差极差为： (5.3)
τ区间内标准差为： (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，按以下步骤来估量Hurst指数。
① 把观察次数为N时间序列分为M个长为τ区间（）。
② 按(5.1)到(5.5)式计算每个τ区间R/S值。
③ 计算M个R/S算术平均值，记为。
④ 建立关系式： 。对其两端取对数得：
(5.8)
⑤在图上作回归，取其斜率为Hurst指数H估量值。
得到H估量值后，能够按Mandelbort 序列相关性度量指标：
(5.9)
来度量各个增量期间序列相关性。
在自然界多种现象数据序列中，Hurst指数有三种类型：(1) H=0.5；(2) 0≤H<0.5；(3)0.5这意味着时间序列是正相关、持久性（Persistence）（或是长记忆性）序列。假如序列在前一个期间是向上(下)走，那么，它在下一个期间将继续是正（负）。这类时间序列在定性意义上是完全可估计，在定量上，在一段时间内也是能够估计。可测时间长短关键取决于该时间序列非线性程度怎样。

5.3 异方差性分析算法选择
对时序异方差检验，计量经济学家提出了十多个方法。在该Agent中我们采取Brock
et al.提出了”鲁棒性”很强非参数BDS检验[5]。本文对其算法不再赘述。

6 结论
本文从估计支持系统中数据特征分析Agent关键性出发，基于提升估计支持系统有效性标准，设计了数据特征分析Agent。研究了该Agent功效框图、功效表、结构及部分算法选择。目标是对某一估计对象性质作出判定，然后把此信息传输给管理Agent，由它来决定该对象可测性，并调用相关Agent完成此任务。从而提升整个估计支持系统工作效率。

参考文件
1 胡代平.基于Agent估计支持系统研究[D].天津大学博士学位论文，1999
2 Hurst H.E ，Black R.P ， Simaika Y.M . Long –term storage capacity of reservoirs[J].
Transactions of the American Society of Civil Engineer 116, 1951
3 Edgar .E. Peters. 资本市场混沌和秩序[M].中译本 / 王小东 译经济科学出版社，1999
4 Mandelbort B.B. and Van Ness J.W. ，Fractional Brownian Motions ，Fractional Noises
and Applications[J].SIAM Review ,1968，68(10): 442-437
5 Jose A.Scheinkman et al，Nonlinear Dynamics and Stock Returns[J}，Journal of Business，1989，
62:311-337

The Design of Agent for Data Character Analysis
in the Forecasting Support System Based on MAS

Liu Wencai Li Ying Liu Bao Zhang Wei
(The Insititute of Systems Engineering , Tianjin University,
Tianjin 300072)

Abstract In this paper ,an agent for Data Character Analysis is designed .The functional flow chart and structure of this agent are given , the choose of some related algorithms is provided also.
Keywords Forecasting Support System Data Character Agent