数据特征分析Agent预测支持系统设计样本.doc

基于Multi-AgentSystem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

刘文财2刘文财，博士硕士，天津大学管理学院9051，Tel：，E-mail：

2刘文财，博士硕士，天津大学管理学院9051，Tel：，E-mail：HYPERLINKmailto:。

（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-AgentSystem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

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

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AInform.6Inform.5

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（RescaledRangeAnalysis）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H0.5，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H0.5

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

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，