基于CNN-BiLSTM模型的PM2.5浓度预测方法

针对传统长短期记忆网络(Long Short-Term Memory,LSTM)在预测PM_2.5浓度时只考虑了数据的时序特征而忽略了空间特征的问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型.该模型结合CNN与BiLSTM模型不仅考虑数据双向的时序特征,还关注不同特征之间的空间关联性,模型通过提取并融合数据的时空特征来实现PM_2.5浓度预测.在北京市2010年-2014年的天气和污染水平数据集上,将该模型与LSTM、BiLSTM、CNN-LSTM模型进行PM_2.5浓度预测实验对比,结果表明CNN-BiLSTM模型的预测误差明显小于其他模型,该预测模型具有更好的预测性能.     

非线性多尺度建模及其应用

针对非线性时间序列数据建模问题,首先对数据进行经验模态分解(Empirical Mode Decomposition,EMD),得到一系列反映序列演化过程的本征模态函数(Intrinsic mode function,IMF),然后对IMF进行Hilbert变换,利用各分量的Hilbert变换的振幅和频率建立非线性多尺度数学模型.以黄河某水质检测站溶解氧含量为例,应用EMD分解和Hilbert变换的结果,建立两个多尺度的数学模型.经过检验,模型的拟合精度、显著性和残差均符合要求.模型模拟结果中提取溶解氧多尺度信息,并且应用该模型进行预报,预报的相对误差小在0.08%~12.8%之间.     

基于数据分解集成和高频数据建模的汇率波动率预测

汇率波动率是刻画外汇金融资产收益变化程度的指标，也是度量外汇风险的方法之一，汇率波动对经济与金融系统都有重要的影响。由于非平稳和非线性的特征，准确预测汇率波动率一直是金融研究的重点和难点。为了提高预测汇率波动率的准确性，本文采用基于人民币汇率高频数据计算的已实现波动率和机器学习方法，对数据进行分解集成和建模，提出了一种有效的多尺度EEMD-PSR-SVR-ARIMA预测模型。具体过程如下：首先，采用集合经验模态分解(EEMD)的方法将复杂的时间序列分解成不同尺度的本征模态函数和趋势项；然后采用支持向量回归(SVR)的方法对本征模态函数进行预测，并利用相空间重构和粒子群优化的方法来确定SVR模型的输入维数与参数。同时，使用差分自回归移动平均模型(ARIMA)预测趋势项；最后集成得到模型预测的结果。实证结果表明EEMD-PSR-SVR-ARIMA模型可以有效地提高汇率波动率预测的精度。     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

混合区间多尺度分解的区间时间序列组合预测

鉴于传统预测方法一直基于“点”来衡量时间序列数据,然而现实生活中在给定的时间段内许多变量是有区间限制的,点值预测会损失波动性信息。因此,本文提出了一种基于混合区间多尺度分解的组合预测方法。首先,建立区间离散小波分解方法(IDWT)、区间经验模态分解方法(IEMD)和区间奇异普分析方法(ISSA)。其次,用本文构建的IDWT、IEMD和ISSA对区间时间序列进行多尺度分解,从而得到区间趋势序列和残差序列。然后,用霍尔特指数平滑方法(Holt's)、支持向量回归(SVR)和BP神经网络对区间趋势序列和残差序列进行组合预测得到三种分解方法下的区间时间序列预测值。最后,用BP神经网络对各预测结果进行集成得到区间时间序列最终预测值。同时,为证明模型的有效性进行了AQI空气质量的实证预测分析,结果表明,本文所提出基于混合区间多尺度分解的组合预测方法具有较高的预测精度和良好的适用性。     

基于lp有界噪声的压缩数据分离

本文考虑l_p有界噪声约束下的压缩数据分离问题,即从压缩测量数据中重建信号的不同稀疏子成分.为了重构不同框架D₁∈R^n×d₁和D₂∈R^n×d₂下(近似)稀疏的不同子成分,我们首先提出了l₁-αl₂分解分析算法,在测量矩阵满足一定的约束等距性条件且字典之间满足某个相互相干性条件时,此算法可以处理不同噪声干扰下的信号分离问题.此外,基于经典Dantzig Selector模型,我们还引入了l₁-αl₂分解分析Dantzig Selector算法,在适当条件下此算法也可以稳定分离压缩数据.数值实验表明,l₁-αl₂最小化算法对于冗余紧框架下的数据分离问题具有鲁棒性和稳定性.     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

非结构性数据驱动的混合分解集成碳交易价格组合预测

碳交易价格的有效预测有助于投资者合理决策以及政府制定科学的碳交易政策。本文提出一种非结构性数据驱动的混合分解集成碳交易价格组合预测方法。首先，基于百度指数获得碳交易相关非结构性数据，并利用主成分分析(PCA)方法提取其主成分。其次，对主成分序列与碳交易价格历史数据进行经验模态分解(EMD)、变分模态分解(VMD)与小波分解(WT),按频率高低重构后得到它们的高、低频序列和趋势项。然后，自适应选取自回归移动平均模型(ARIMA)、Holt指数平滑法和人工神经网络模型(ANN),结合非结构信息对碳价格的高、低频序列和趋势项进行预测。最后，基于BP神经网络等对三种分解方法的预测值分层集成，得到碳价格最终预测结果。对比实验结果显示，上述组合预测方法充分利用了多源信息，预测精度高且适用性良好。     

一种基于局部回归的多尺度碳市场价格预测模型研究

碳市场价格呈现非线性、非平稳的复杂特性,准确预测具有较大的挑战。基于“分而治之”的思想,提出了一种基于局部回归的多尺度碳市场价格预测模型。提出的模型利用集成经验模态分解(EEMD)对碳市场价格时间序列进行分解。启发于EEMD局部特征分解的特点,对分解后的分量采用局部回归方法进行预测,然后将分量预测结果进行集成。采用的局部回归方法包括局部线性回归(LLP)、局部多项式回归、局部岭回归、局部主成分回归、局部偏最小二乘回归和局部套索回归。实验结果表明基于局部回归的多尺度预测模型具有优异的预测性能。在提出的模型中,EEMD-LLP结构简单且性能更为突出,进一步对EEMD-LLP参数的适应性进行探讨。与新近提出模型的对比结果表明了EEMD-LLP在碳市场价格预测中的有效性。     

空气中PM2.5的扩散和衰减模型

PM2.5的时空分布及其演变规律十分复杂.为刻画PM2.5的发生、扩散和衰减规律,提出点源、线源和面源叠加的多源模型描述区域内的多污染源对某一监测点的影响.考虑风力风速、太阳辐射强度、湿度等天气和季节因素以及重力、湍流扩散、分子扩散等对源强强度的影响,提出源衰减、湿沉积、化学迁移叠加衰减模型,用监测点的PM2.5浓度数据对污染源强度和衰减系数进行反演求解.针对西安市某些监测点处的PM2.5浓度突然增至数倍且延续数小时,建立污染扩散预测与评估方法,对提升前后污染源源强进行分析,给出重度污染区域,并用数据的人工统计定性验证模型的合理性.     

在离散多尺度分析框架下的数据分解和回复的数值特征(英)

本文在离散多尺度分析框架了讨论了关于给定数据的分解和回复过程的数值特征．它给出了数据分解和回复算法的一般设计原则，它能有效地解释在正交小波基和双正交小波基下的数据分解回复过程．据此设计原则，文中还给出了一种新的数据分解回复方法，它可以在线性分层基背景下得到解释．     

基于新型核与灰度序列的时滞GM(1,N)模型及其应用

为了解决GM(1,N)模型在新型核与灰度的基础上,对驱动项的延迟作用机理不明确的问题,将时滞参数引入到GM(1,N)模型的驱动项中,构建了基于新型核与灰度的时滞GM(1,N)模型,分析了时滞参数的辨识方法,讨论了新模型的建模机理。为了更好地对该模型的有效性进行验证,将优化的时滞GM(1,N)模型对南京市的雾霾进行预测分析,选择GM(1,N)模型、一元回归模型与文中的优化模型进行对比。结果显示,优化模型对PM₁₀浓度的拟合精度更高,且误差均控制在5%之内,从而验证了提出的优化模型适用于具有时滞特征数据的模拟和预测。     

基于多尺度自适应阶ARMA的混沌序列多步预测

混沌时间序列在自然界以及人们的生产生活中很常见,混沌序列看似杂乱无章但相较于纯随机序列其中蕴含着一些非线性的运动特征,提出一种基于多尺度自适应阶ARMA的混沌时间序列多步预测方法.首先利用自适应噪声的完备经验模态分解(CEEMDAN)对原始混沌序列进行分解,获得不同尺度的固有模态分量(IMF)和残余分量.然后采用经粒子群算法(PSO)进行阶数寻优的自回归移动平均模型(ARMA)对每一个IMF分量进行拟合预测.最后将预测得到的每一个分量相加得到原始混沌序列的预测值.基于Mackay-Glass混沌序列和太阳黑子数混沌序列进行实验分析,实验表明:与ARMA、PSO-ARMA以及CEEMDAN-ARMA方法相比,方法的预测效果有较好的提高,其平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)都有降低.     

在离散多尺度分析框架下的数据分解和回复的数值特征

本文在离散多尺度分析框架下讨论了关于给定数据的分解和回复过程的数值特征，它给出了数据分解的回复算法的一般设计原则，它能有效地解释在正交小波基和双正交小波基下的数据分解回复过程。据此设计原则，文中还给出了一种新的数据分解回复方法，它可以在线性分层基背景下得到解释。     

SARIMA模型与Holt-Winters模型在丙型肝炎发病率预测中的应用

主要探讨SARIMA模型和Holt-Winters模型在丙型肝炎月发病率预测中的应用价值.首先,利用2006年1月至2018年12月的月发病率数据为基础,分别建立SARIMA模型和Holt-Winters模型;然后,预测2019年1月到12月的月发病率数据,并与实际月发病率数据进行比较,得到SARIMA(2,1,1)(0,1,1)₁₂模型的拟合效果较好;最后,利用SARIMA(2,1,1)(0,1,1)₁₂模型预测了2020年1月至12月的月发病率.研究结果将可为相关部门丙型肝炎防控提供科学依据.     

基于多分辨率分析的股票市场预测模型研究

采用多分辨率分析技术将深证成指收盘数据序列分解为多个子序列,然后采用神经网络技术对每个子序列分别建立预测模型,将各个预测结果叠加后得到最终预测结果.研究首先发现多分辨率技术可以有效提高预测模型的预测精度,表明分析我国股市波动时应该按照不同因素对股市影响大小及周期的差异分别研究,才能更有效分析股市运行状况及对其预测;其次结果表明不同类型神经网络预测模型预测性能差异明显,在选择股市预测模型的神经网络类型时应该注意其学习算法及收敛过程,以便能更好捕获股市变化规律.     

中央与地方政府PM2.5治理策略分析

本文以京津冀雾霾治理为例,综合考虑了PM_2.5在地区间的非对称性跨界传输影响、PM_2.5治理对民众、企业、政府带来的协同效应。从中央与地方政府视角对比分析了减排指标约束下利益各方的PM_2.5治理策略偏好。研究表明:由于跨界传输因子的影响,合作与非合作时污染物的去除量不一定相等。当各地合作与非合作污染物去除量相等时,合作与非合作成本无差异;否则,合作成本优于非合作,而合作成本的降低源于总体减排量减少。如果跨界传输因子增大或减小,合作与非合作治理的成本差距相应地会增加或减小,各地方政府合作治理意愿会逐渐增大或减小;而中央政府可能更希望地方政府在完成减排指标时能尽可能多减排,因此倾向于地方政府采取非合作治理。减排指标设置时应考虑合作与非合作时收益差异,以及各地经济发展水平等因素的影响。     

基于VMD-ELM的农产品期货价格分解集成预测模型

为了捕捉农产品市场期货价格波动的复杂特征,进一步提高其预测精度,基于分解集成的思想,构建包含变分模态分解(VMD)和极限学习机(ELM)的分解集成预测模型。首先,利用VMD分解的自适应性和非递归性,选择VMD将复杂时间序列分解成多个模态分量(IMF)。其次,针对VMD分解关键参数模态数K的选取难题,提出基于最小模糊熵准则寻找最优K值的方法,有效避免模态混淆和端点效应问题,从而提升VMD的分解能力。最后,利用ELM强大的学习能力和泛化能力,对VMD分解得到的不同尺度子序列进行预测,集成得到最终预测结果。以CBOT交易所稻谷、小麦、豆粕期货价格作为研究对象,实证结果表明,该分解集成预测模型在预测精度和方向性指标上,显著优于单预测模型和其它分解集成预测模型,为农产品期货价格预测提供了一种新途径。     

基于EMD-GRU的高速公路行程时间组合预测模型

考虑到高速公路行程时间影响因素繁多且行程时间序列非线性、非平稳特征显著,设计了基于经验模态分解和GRU神经网络的高速公路行程时间组合预测模型.首先,利用高速公路收费数据中车辆进出高速公路的时间信息获取路段行程时间序列;然后,利用经验模态分解算法,将复杂的行程时间序列分解为若干时间尺度不同、相对平稳的本征模态函数分量和残差分量;接着,使用GRU神经网络对各本征模态函数分量和残差分量进行预测与集成操作.实例分析表明:经验模态分解可有效提高LSTM、GRU神经网络的预测精度;在相同参数设置的情况下,GRU神经网络的预测精度优于LSTM神经网络.     

基于ADI格式的多尺度图像分解

针对文献[Xu R et al.,IEEE Trans.Biomed.Eng.,2014]的多尺度图像分解模型,该文提出了Alternating Direction Implicit (ADI)格式下的多尺度图像分解算法,并证明了在该模型下ADI格式的收敛性和稳定性,进一步,通过对不同图像的数值实验,验证了该文提出的算法具有更好的纹理提取效果.