【正文】 在數(shù)學(xué)意義上量子比特代表一個(gè)2。所有的經(jīng)典信息理論都必須以二進(jìn)制狀態(tài)進(jìn)行信息編碼、轉(zhuǎn)換和解碼。 量子神經(jīng)網(wǎng)絡(luò)基本理論 量子計(jì)算的基礎(chǔ)知識(shí)(1)量子比特傳統(tǒng)信息理論中最基本的信息單元是bit。通過量子點(diǎn)分子等物理器件實(shí)現(xiàn)量子計(jì)算。對(duì)Grover算法的改進(jìn)；屬于量子計(jì)算領(lǐng)域的研究，與量子器件的實(shí)現(xiàn)密切相關(guān)。Dan等人的量子神經(jīng)網(wǎng)絡(luò)非傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；以量子寄存器存儲(chǔ)信息，通過幺正變換改變寄存器狀態(tài)。消除了災(zāi)變性失憶現(xiàn)象，學(xué)習(xí)速率快。信息以量子位表示，在傳統(tǒng)計(jì)算機(jī)上模擬量子計(jì)算的過程達(dá)到比特位映射的目的。Qubit神經(jīng)元模型傳統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)；權(quán)值和激活函數(shù)是對(duì)量子態(tài)波函數(shù)的改變。固有的模糊特性，學(xué)習(xí)周期減少。該模型通過學(xué)習(xí)算法使量子存儲(chǔ)器存儲(chǔ)特定信息，具體表現(xiàn)為波函數(shù)的變化。該模型不具有傳統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，而是以量子器件作為信息的載體。他們的研究主要集中于量子計(jì)算機(jī)方面，在SQID(Superconducting quantum interference devices)物理設(shè)備上進(jìn)行了量子神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)，采用神經(jīng)網(wǎng)絡(luò)算法控制培養(yǎng)基上量子點(diǎn)分子外界的勢(shì)場(chǎng)、核聲子等，改變量子狀態(tài)，進(jìn)而達(dá)到計(jì)算的效果。同時(shí)由于樣本數(shù)據(jù)與網(wǎng)絡(luò)組件之間的對(duì)應(yīng)關(guān)系，網(wǎng)絡(luò)的調(diào)整只限于輸入模式對(duì)應(yīng)的網(wǎng)路組件網(wǎng)絡(luò)的調(diào)整只限于輸入模式對(duì)應(yīng)的網(wǎng)絡(luò)組件，不同模式的學(xué)習(xí)并沒有相互關(guān)聯(lián)，有效地避免了災(zāi)變性失憶現(xiàn)象。多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)訓(xùn)練時(shí)間短，可消除災(zāi)變性失憶現(xiàn)象。對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)不同輸入模式對(duì)應(yīng)訓(xùn)練不同網(wǎng)絡(luò)組件，測(cè)試時(shí)不同的輸入則由相應(yīng)的網(wǎng)絡(luò)組件來對(duì)輸入信息進(jìn)行處理。 多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型Tammy等學(xué)者從雙縫干涉實(shí)驗(yàn)和量子力學(xué)中多宇宙觀點(diǎn)得到啟發(fā)，提出了多宇宙的量子神經(jīng)網(wǎng)絡(luò)模型[53]。Qubit神經(jīng)元模型的輸入只能是0、l值，輸出則是概率幅值，限制了該模型的應(yīng)用。Qubit神經(jīng)元模型采用量子態(tài)表示信息，通過改變量子態(tài)可以達(dá)到計(jì)算的目的。 Qubit神經(jīng)元模型該模型于2000年由日本學(xué)者提出[51,52]，是利用量子比特表示神經(jīng)元狀態(tài)的網(wǎng)絡(luò)模型。QNN模型具有固有的模糊特性，已經(jīng)成功應(yīng)用于模式分類領(lǐng)域。多層激活函數(shù)量子神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)分為兩步：一是對(duì)權(quán)值的調(diào)整，二是對(duì)隱含層量子神經(jīng)元的量子間隔進(jìn)行調(diào)整。一個(gè)sigmoid函數(shù)只能表示兩個(gè)狀態(tài)，而具有多個(gè)不同的量子間隔的多層激活函數(shù)則能夠表示表達(dá)更多的狀態(tài)。借鑒了量子態(tài)疊加的思想，其隱含層的量子神經(jīng)元的激活函數(shù)形式表示為多個(gè)sigmoid函數(shù)的線性疊加，故稱為多層激活函數(shù)。 量子神經(jīng)網(wǎng)絡(luò)的研究現(xiàn)狀 多層激活函數(shù)的量子神經(jīng)網(wǎng)絡(luò)Karayiannis等學(xué)者于1997年提出多層激活函數(shù)的量子神經(jīng)網(wǎng)絡(luò)[49,50]，對(duì)該模型進(jìn)行了理論分析，并實(shí)驗(yàn)驗(yàn)證了它對(duì)模式分類問題具有內(nèi)在模糊性，能夠檢測(cè)到數(shù)據(jù)中固有的模糊性和不確定性，特別是對(duì)于兩類數(shù)據(jù)有交叉的數(shù)據(jù)，QNN模型能以一定的隸屬度將數(shù)據(jù)同時(shí)分在兩類中。量子計(jì)算采用一種與傳統(tǒng)的計(jì)算方式截然不同的新型計(jì)算方法，對(duì)于經(jīng)典計(jì)算機(jī)來說，對(duì)一個(gè)字節(jié)的數(shù)據(jù)進(jìn)行一步步的處理，每一個(gè)步驟都表示機(jī)器的一個(gè)明確的狀態(tài)，上一個(gè)步驟的輸出作為下一個(gè)步驟的輸入，前后相續(xù)，整個(gè)計(jì)算任務(wù)是在一條線上進(jìn)行的。因?yàn)楦鶕?jù)量子力學(xué)基本原理，任何對(duì)系統(tǒng)的測(cè)量，都將導(dǎo)致系統(tǒng)狀態(tài)坍塌到一個(gè)狀態(tài)上，從而丟失系統(tǒng)本來具有的其他狀態(tài)的信息。這意味著現(xiàn)代社會(huì)廣泛使用的密碼系統(tǒng)，將隨著量子計(jì)算機(jī)的問世而作廢。皮特他在1 994年設(shè)計(jì)了第一個(gè)適合于量子計(jì)算機(jī)使用的算法，專門用來對(duì)大數(shù)進(jìn)行因子分解。T貝爾實(shí)驗(yàn)室的計(jì)算機(jī)科學(xué)家皮特同經(jīng)典情形相比較，量子計(jì)算機(jī)在一些方面具有獨(dú)特的優(yōu)勢(shì)，例如可以有效解決某些對(duì)于經(jīng)典計(jì)算機(jī)來說屬于難解類的問題，以及可以較容易地模擬量子系統(tǒng)的行為。量子計(jì)算是量子力學(xué)與計(jì)算機(jī)理論的完美結(jié)合。而真正將量子理論與神經(jīng)計(jì)算結(jié)合起來的是美國(guó)Louisiana州立大學(xué)的Kak教授，他在1995年發(fā)表的On Quantum Neural Computing一文中首次提出量子神經(jīng)計(jì)算的概念，開創(chuàng)了該領(lǐng)域的先河；同年英國(guó)Sussex大學(xué)的Chrisley提出T量子學(xué)(Quantum Learning)的概念，并給出非疊加態(tài)的量子神經(jīng)網(wǎng)絡(luò)模型和相應(yīng)的學(xué)習(xí)算法；1995年英國(guó)Exeter大學(xué)的Narayanart、Menneer和Moore博士在本校的技術(shù)報(bào)告中相自E發(fā)表了三篇有關(guān)量子衍生(QuantumInspired)計(jì)算、神經(jīng)網(wǎng)絡(luò)及遺傳算法的文章；1997年美國(guó)Brigham Young大學(xué)的Ventura博士和Martinez教授初步繪出了具有量子力學(xué)特性的人工神經(jīng)元模型，并于1998年提出有關(guān)量子聯(lián)想(Quantum Associative Memory)的概念；1999年畢業(yè)后在Penn州立大學(xué)工作的Ventura博士在IEEE Intelligent System 7／8月?？险教岢隽孔佑?jì)算智能(Quantum Computational Intelligence)定義，并在2000年3月召開的第四屆國(guó)際計(jì)算智能和神經(jīng)科學(xué)會(huì)議上主持了量子計(jì)算與神經(jīng)量子信息處理的專題會(huì)議(The special sessions on quantum putation and neuroquantum information processing)。后來他又在1994年出版的Shadows of the Mind一書中進(jìn)一步進(jìn)行了討論；1994年美國(guó)Arizona大學(xué)的Hameroff教授認(rèn)為在神經(jīng)元內(nèi)細(xì)胞支架的微管(Cytoskeletal Microtubule)之中或周圍，意識(shí)是作為一個(gè)宏觀量子態(tài)由量子級(jí)事件相干的一個(gè)臨界級(jí)突現(xiàn)(Emerge)出來的；此外斯諾文尼亞Liubljana大學(xué)的Perus博士指出，量子波函數(shù)的坍縮(Collapse)十分類似于人腦記憶中的神經(jīng)模式重構(gòu)現(xiàn)象。1989年英國(guó)牛滓大學(xué)的Penrose教授出版了The Emperor39。實(shí)際上，目前確實(shí)已有少數(shù)先行者身體力行。量子計(jì)算與傳統(tǒng)物理意義上的計(jì)算有著質(zhì)的不同，它的特點(diǎn)主要體現(xiàn)在量子態(tài)的疊加(Superposition)和糾纏(Entanglement)上．許多計(jì)算上的優(yōu)勢(shì)如量子并行計(jì)算、隱形傳態(tài)(Teleportmion)等皆是由此而產(chǎn)生。 量子神經(jīng)網(wǎng)絡(luò)理論的形成和優(yōu)勢(shì)自從1982年Beniof[47]和Feynman[48]發(fā)現(xiàn)了將量子力學(xué)系統(tǒng)用于推理計(jì)算的可能性。因此我們總結(jié)了如下神經(jīng)計(jì)算的諸多局限與不足：學(xué)習(xí)海量信息時(shí)處理速度過慢；記憶容量有限；需要反復(fù)訓(xùn)練，不具有一次學(xué)習(xí)的能力；在接受新信息時(shí)易發(fā)生失憶現(xiàn)象等等。對(duì)于神經(jīng)網(wǎng)絡(luò)難以勝任的任務(wù)，或是說神經(jīng)網(wǎng)絡(luò)最大的局限性，Chalmer的觀點(diǎn)明很有代表性。其次人工神經(jīng)網(wǎng)絡(luò)這門學(xué)科還沒有建立起一個(gè)完整、成熟的理論體系。人工神經(jīng)網(wǎng)絡(luò)這些固有的缺陷，在一定程度上制約了人工神經(jīng)網(wǎng)絡(luò)研究的發(fā)展。因此，開發(fā)相應(yīng)的變量選擇方法是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究者面臨的十分棘手的問題，也是首先應(yīng)該解決的問題?！　∩窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)由于缺乏統(tǒng)計(jì)機(jī)理，變量選擇十分困難，無法給出相關(guān)的顯著性統(tǒng)計(jì)準(zhǔn)則，也難以給出合適的變量選擇準(zhǔn)則，顯然僅以精度準(zhǔn)則是有缺陷的。神經(jīng)網(wǎng)絡(luò)強(qiáng)調(diào)預(yù)測(cè)方法雖然在解決非線性問題方面具有優(yōu)越性，卻面對(duì)因變量間關(guān)聯(lián)束手無策。　　宏觀社會(huì)經(jīng)濟(jì)問題，變量間相互關(guān)聯(lián)，相互影響，相互制約，僅憑單一方程是不足的?！　?．隱節(jié)點(diǎn)難確立(隱層數(shù)及神經(jīng)元的經(jīng)驗(yàn)性與任意性)　　網(wǎng)絡(luò)的隱含層數(shù)，隱節(jié)點(diǎn)個(gè)數(shù)及神經(jīng)元能量函數(shù)的確定純粹憑經(jīng)驗(yàn)或湊試，帶有一定的任意性，一方面影響到訓(xùn)練與學(xué)習(xí)時(shí)間與最后結(jié)果的精度，另一方面也關(guān)系到這一方法的普及。　　4．運(yùn)算速度緩慢。故神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)數(shù)據(jù)質(zhì)量要求較高?！　∩窠?jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是在于不斷學(xué)習(xí)與訓(xùn)練，但卻不能辯識(shí)異常值，當(dāng)異常值影響強(qiáng)烈時(shí)，神經(jīng)網(wǎng)絡(luò)模型也能給出擬合精度極高的估計(jì)。因它不僅缺乏統(tǒng)計(jì)檢驗(yàn)準(zhǔn)則，且無一定理論可遵循，不易解釋?！　「鞣N定量或(客觀)預(yù)測(cè)方法的最終結(jié)果均以模型形式結(jié)果給出，容易結(jié)合經(jīng)濟(jì)理論或各領(lǐng)域知識(shí)來解釋，并進(jìn)行靈敏度分析、邊際分析，而神經(jīng)網(wǎng)絡(luò)系統(tǒng)的結(jié)構(gòu)無法用顯示表達(dá)出來，解釋困難，采用該法預(yù)測(cè)有一定的風(fēng)險(xiǎn)。無法檢驗(yàn)估計(jì)值的可靠性。但同時(shí)我們也看到了人神經(jīng)網(wǎng)絡(luò)的固有的缺陷，主要表現(xiàn)在以下幾個(gè)方面：1．缺乏統(tǒng)計(jì)合理性。第3章 量子神經(jīng)網(wǎng)絡(luò)的基本理論 常規(guī)神經(jīng)網(wǎng)絡(luò)的局限性人神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)從l943的M．P神經(jīng)元模型開始，已經(jīng)成功應(yīng)用于很多的領(lǐng)域，在預(yù)測(cè)、分類等領(lǐng)域都取得了較大的成功，其具有較強(qiáng)的非線性處理能力和泛化能力。詳細(xì)介紹了當(dāng)前常用的幾種負(fù)荷預(yù)測(cè)方法和基本的計(jì)算流程。各方法的優(yōu)缺點(diǎn)、預(yù)測(cè)精度、。 常見的負(fù)荷預(yù)測(cè)方法的優(yōu)劣已有的短期負(fù)荷預(yù)測(cè)的方法很多，各種方法都有其特殊的適用條件和技術(shù)優(yōu)勢(shì)，計(jì)算時(shí)間和預(yù)測(cè)精度有有明顯的不同，適用范圍和所需要的已知條件都有一些差異。這兩個(gè)子系統(tǒng)稱為注意子系統(tǒng)和取向子系統(tǒng)。主要用于模式識(shí)別，它不足之處是在于對(duì)轉(zhuǎn)換、失真和規(guī)模變化較敏感。它也是一種自組織網(wǎng)絡(luò)模型。從而使Kohonen網(wǎng)絡(luò)可以作為模式特征的檢測(cè)器。它的輸入層是單層單維神經(jīng)元，而輸出層是二維的神經(jīng)元，神經(jīng)元之間存在以“墨西哥帽”形式進(jìn)行側(cè)向交互的作用。3．Kohonen網(wǎng)絡(luò)。這是應(yīng)用最廣泛的一種網(wǎng)絡(luò)，它可用于語言綜合識(shí)別和自適應(yīng)控制等用途。BP網(wǎng)絡(luò)即反向傳播(Back Propagation)網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)可以完成制約優(yōu)化和聯(lián)想記憶等功能。它是最典型的反饋網(wǎng)絡(luò)模型，也是目前人們研究得最多的模型之一。人工神經(jīng)網(wǎng)絡(luò)用于短期負(fù)荷預(yù)測(cè)的具體過程為：以歷史負(fù)荷、天氣數(shù)據(jù)(如氣溫)等作為輸入變量，以負(fù)荷預(yù)測(cè)值為輸出變量，通過大量的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)元之間的連接權(quán)值及神經(jīng)元的閾值，然后將訓(xùn)練完成的網(wǎng)絡(luò)用于預(yù)測(cè)未來的負(fù)荷，并且隨著新樣本的加入，可以重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)，形成新的權(quán)值和閾值以適應(yīng)新的樣本。人工神經(jīng)網(wǎng)絡(luò)模型有多種形式，它取決于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、神經(jīng)元特性函數(shù)和學(xué)習(xí)算法。它是從模擬人腦思維開始發(fā)展起來的，是由大量的簡(jiǎn)單神經(jīng)元組成的非線性系統(tǒng)，每個(gè)神經(jīng)元的結(jié)構(gòu)和功能都比較簡(jiǎn)單，而大量神經(jīng)元組合產(chǎn)生韻系統(tǒng)行為卻非常復(fù)雜。該方法在實(shí)際負(fù)荷預(yù)測(cè)中應(yīng)用的比較少。因此，選擇一種合理的權(quán)重分配方式是并聯(lián)組合預(yù)測(cè)的關(guān)鍵。由此可見，權(quán)重的分配對(duì)結(jié)果產(chǎn)生重要的影響。模型1對(duì)負(fù)荷進(jìn)行初值預(yù)測(cè)，模型2對(duì)初步預(yù)測(cè)值進(jìn)行修正處理，從而得到精確的預(yù)測(cè)值。一般有2種情況。1．串聯(lián)型組合預(yù)測(cè)。根據(jù)組合預(yù)測(cè)值和各單一預(yù)測(cè)值之間的函數(shù)關(guān)系，組合預(yù)測(cè)分為非線性組合預(yù)測(cè)和線性組合預(yù)測(cè)方法；根據(jù)組合預(yù)測(cè)權(quán)系數(shù)確定的方法，可分為最優(yōu)組合方法和非最優(yōu)組合方法兩類；根據(jù)加權(quán)系數(shù)是否隨時(shí)間變化，可分為靜態(tài)的常系數(shù)預(yù)測(cè)方法以及動(dòng)態(tài)的時(shí)變參數(shù)預(yù)測(cè)方法兩類；根據(jù)組合預(yù)測(cè)模型建立的某個(gè)準(zhǔn)則的優(yōu)劣程度，可分為劣性組合預(yù)測(cè)方法、非劣性組合預(yù)測(cè)方法、優(yōu)性組合預(yù)測(cè)方法三類[32]。其中唐小我教授和曹長(zhǎng)修教授等人的研究成果尤為突出，為促進(jìn)我國(guó)組合預(yù)測(cè)的理論研究與應(yīng)用做出了重要的貢獻(xiàn)。90年代后，組合預(yù)測(cè)的研究更處于一個(gè)熱潮之中，成為預(yù)測(cè)方法演變的趨勢(shì)之一。其最早出現(xiàn)在1945年，美國(guó)人Schmitt用組合預(yù)測(cè)方法對(duì)美國(guó)37個(gè)大城市的人口進(jìn)行過預(yù)測(cè)。其中。 ()式中，、為參數(shù)，記。得到累加數(shù)列的灰色預(yù)測(cè)值，最后通過累減還原得到原始序列的預(yù)測(cè)。該方法的實(shí)質(zhì)是對(duì)原始數(shù)據(jù)序列進(jìn)行一次累加生成，使其成為具有指數(shù)增長(zhǎng)趨勢(shì)變化規(guī)律的數(shù)列，然后建立GM(1,1)模型，即建立微分方程。灰色系統(tǒng)理論認(rèn)為，適合于預(yù)測(cè)的模型應(yīng)該是單變量的模型，也就是預(yù)測(cè)數(shù)據(jù)本事的模型，即 GM(1,1)模型，以下稱為傳統(tǒng)GM(1,1)模型。灰色預(yù)測(cè)是將系統(tǒng)行為特征量的變化過程看作為一個(gè)灰色過程，利用灰色系統(tǒng)理論的微分方程模型（Gray Model ）進(jìn)行預(yù)測(cè)。由于影響電力負(fù)荷的因素眾多，關(guān)系復(fù)雜，難以被一一分析清楚，因此具有灰色特征；隨著經(jīng)濟(jì)的發(fā)展，電力負(fù)荷是一個(gè)非負(fù)遞增數(shù)列，符合灰色預(yù)測(cè)的基本條件；而且，灰色預(yù)測(cè)具有要求原始數(shù)據(jù)少、原理簡(jiǎn)單、不考慮分布規(guī)律、運(yùn)算方便、可檢驗(yàn)等優(yōu)點(diǎn)。近年來，灰色系統(tǒng)模型尤其是GM(1,1)模型及其改進(jìn)模型在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域也得到了廣泛應(yīng)用，并取得了一些研究成果。 灰色預(yù)測(cè)法灰色系統(tǒng)理論是中國(guó)學(xué)者鄧聚龍教授1982 年3 月在國(guó)際上首先提出來的。80 年代，日本田中因夫（）等人提出了模糊線性回歸的概念和方法，認(rèn)為回歸分析中觀察值和估計(jì)值之間的離異是由系統(tǒng)模型參數(shù)的模糊性引起的，這樣根據(jù)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)的結(jié)果并不是一個(gè)精確的數(shù)值，而是帶有一定幅度的模糊數(shù)；通俗地說，預(yù)測(cè)結(jié)果只是“大約多少”，這是不符合很多實(shí)際情況的。該方法可用于短期或長(zhǎng)期預(yù)測(cè)，但當(dāng)待測(cè)地區(qū)未來經(jīng)濟(jì)發(fā)展速度高于其歷年速度時(shí),需對(duì)該方法進(jìn)行修正。這樣做不僅避免了建立數(shù)學(xué)模型的困難，而且隱含計(jì)及了不確定因素的影響。所謂模糊聚類法分析就是應(yīng)用模糊數(shù)學(xué)方法對(duì)事物進(jìn)行模糊分類。例如，“年輕”是一個(gè)模糊概念，它的外延是不明確的、模糊的，在“年輕”與“非年輕”之間概念的外延表現(xiàn)出不分明的變化層次，即表現(xiàn)出模糊性。模糊數(shù)學(xué)研究和處理的對(duì)象是模糊現(xiàn)象。 模糊預(yù)測(cè)法模糊數(shù)學(xué)作為一門學(xué)科是由美國(guó)計(jì)算機(jī)與控制理論專家扎德（）教授于1965 年創(chuàng)立地。即使同一個(gè)預(yù)測(cè)專家系統(tǒng)在確定結(jié)果時(shí)也會(huì)因預(yù)測(cè)人員的不同而不同。負(fù)荷預(yù)測(cè)專家系統(tǒng)的研制也需要較長(zhǎng)時(shí)間的原始資料和模型修正，開發(fā)周期長(zhǎng)。在短負(fù)荷預(yù)測(cè)中，不確定因素很多，各個(gè)地區(qū)的經(jīng)濟(jì)和電力事業(yè)的發(fā)展有其特殊性，對(duì)未來各種可能引起負(fù)荷發(fā)生變化的情況，還需要預(yù)測(cè)人員具有豐富的經(jīng)驗(yàn)和判斷能力，即專家知識(shí)在短期負(fù)荷預(yù)測(cè)中起著很重要的作用。 專家系統(tǒng)法專家系統(tǒng)是一種個(gè)用基于知識(shí)的程序設(shè)計(jì)方法建立起來的計(jì)算機(jī)軟件系統(tǒng)，它擁有某個(gè)領(lǐng)域內(nèi)專家的知識(shí)和經(jīng)驗(yàn)，并能象專家那樣運(yùn)用這些知識(shí)，通過推理，在那個(gè)領(lǐng)域作出智能決策。它的基本原理是把這種時(shí)間序列分解為三個(gè)部分：第一部分是水平因素；第二部分是趨勢(shì)因素；第三部分是周期因素。對(duì)于這種時(shí)間序列，采用二次曲線指數(shù)平滑法不但考慮了線性增長(zhǎng)的趨勢(shì)，而且也考慮了二次拋物線的