非线性时间序列大数据的混沌模型特征与预测研究

摘要

针对非线性时间序列大数据高维度、非平稳性导致传统线性模型预测误差大的问题，本文提出一种基于混沌模型的分析与预测方法，融合同态加密、区块链与不经意传输技术，构建了兼具隐私保护与可信追溯的混沌预测机制。通过同态加密实现密文状态下的混沌特征线性加权与非线性乘积运算，利用智能合约与隐匿查询保障预测过程的可审计性与查询隐私，从而弥补现有混沌预测在隐私安全和过程可信方面的不足。通过股票收盘价时序数据实证验证，结果表明：所提模型预测精度[平均绝对误差（MAE）=0.19，均方根误差（RMSE）=0.24,R²=0.95]优于自回归积分滑动平均模型（autoregressive integrated moving average,ARIMA）与单一混沌预测模型，操作存证成功率与篡改检测准确率均达100%，实现了预测精度、隐私保护与可信追溯的协同优化，可为金融等领域非线性时序数据分析提供技术支撑。

关键词

非线性时间序列 / 混沌模型 / 混沌吸引子 / 分形特征 / 同态加密

基金资助

2026年长沙民政职业技术学院自然科学研究项目“数字金融背景下股票市场价格波动的混沌特征挖掘与预测研究”（26mypy14）