基于CEEMD与GA-SVR的猪肉价格集成预测模型

为提高猪肉价格预测的准确性,结合互补集合经验模态分解(CEEMD)的分解能力和基于遗传算法的支持向量回归(GA-SVR)的自适应预测功能,构建猪肉价格集成预测模型.首先为解决猪肉价格的复杂波动特征,通过CEEMD对猪肉价格分解得到本征模态函数(IMF)序列集;然后使用排序熵(PE)对IMF序列进行复杂度分析,进一步使用快速傅里叶变换方法(FFT)分解复杂度高的序列;再利用灰色关联度(GCD)对IMF序列集进行关联性分析,聚合相似IMF序列;最后基于各IMF序列的数据特征构建相应的GA-SVR预测模型,并将子序列的预测结果集成获得最终价格预测值.以中国集贸市场的猪肉价格为研究对象,实证结果表明,该集成预测模型在预测精度和方向性指标上,显著优于其他单预测模型和分解集成预测模型.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

平面几何模型的EMD分解算法及其应用

经验模态分解(Empirical mode decomposition,简称EMD)算法是一种处理非线性非平稳信号的时频分析方法.该方法可以自适应地将输入信号分解成若干层本征模函数(Intrinsic mode function,简称IMF)和一层余项函数,通过对IMF的特定操作可以实现信号的滤波和去噪等功能.经典的EMD算法主要针对标量形式的函数信号,对于平面几何图形,EMD则按每一个坐标分量分别处理,其效果往往较差.文章提出一种向量形式的平面几何模型EMD算法,该算法将一个平面几何模型分解成若干层偏置向量和一个残差模型,其中偏置向量表示几何体不同尺度的特征,残差模型表示输入模型的大致形状.通过在极值点的定义中施加特征尺度的限制从而保证每次分解只分离出特定尺度的特征.实验表明,该方法可以有效地实现平面几何模型的分解,并应用在去噪、特征编辑以及特征迁移的领域.通过与经典方法以及标量函数信号EMD算法的比较,文章方法的有效性得到验证.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

带优化参数的SVR模型及在软件成本估算中的应用

随着社会各行各业对软件开发投资的日益增长,产业界和学术界越来越关注可靠的软件成本估算,以有效控制软件开发过程中相关风险.为了能更准确地估算软件成本,提出一种带遗传算法优化参数的支持向量回归机模型,用遗传算法来优化支持向量回归机模型中的参数集(C,γ,ε),可以避免参数选择的盲目性,能显著提高支持向量回归机模型的预测能力.分别用IBM DP、Kemerer和Hallmark三个数据库来验证模型的有效性,并与常用的线性回归模型进行对比,结果显示采用遗传算法优化的支持向量回归机模型具有很好的学习精度和推广能力,在MMRE和Pred(0.25)两个标准上都优于线性回归模型.     

基于EEMD的LS-SVM和BP神经网络混合短期负荷预测

提出了基于总体平均经验模态分解(EEMD)、最小二乘支持向量机(LSSVM)和BP神经网络的实用综合短期负荷预测方法,进行电力系统短期负荷预测.首先运用EEMD方法将非平稳的负荷序列分解,然后根据分解后各分量的特点选用最佳的核函数,利用最小二乘支持向量机分别对各分量进行预测,最后对各分量预测结果采用BP神经网络重构得到最终的预测结果.对实测数据的分析表明基于该综合方法的电力系统短期负荷预测具有较高的精度.     

基于CSO-SVR的气膜钢筋混凝土储仓主体结构施工成本预测研究

为了较准确的预测气膜钢筋混凝土储仓主体结构施工成本,提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR,利用CSO算法对SVR进行寻优得到全局最优解,从而得到具有最佳参数的支持向量回归机模型,通过气膜钢筋混凝土储仓主体结构施工成本数据预测仿真,结果显示:CSO-SVR模型预测精度高于PSO-SVR,GA-SVR,SVR,BPNN等方法,是预测气膜钢筋混凝土储仓主体结构施工成本的有效工具.     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

基于模糊Adaboost算法的支持向量回归机

针对单一支持向量回归机预测精度不十分良好的问题，结合Adaboost算法以及引入隶属函数，提出了一个基于模糊Aaboost算法的支持向量回归机模型。将该模型应用于金融时间序列预测问题的实验表明，预测精度有一定的提高，从而说明了该模型的有效性和可行性。     

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.     

Short-term prediction of wind power using EMD and chaotic theory

Due to the strong non-linear, complexity and non-stationary characteristics of wind farm power, a hybrid prediction model with empirical mode decomposition (EMD), chaotic theory, and grey theory is constructed. The EMD is used to decompose the wind farm power into several intrinsic mode function (IMF) components and one residual component. The grey forecasting model is used to predict the residual component. For the IMF components, identify their characteristics, if it is chaotic time series use largest Lyapunov exponent prediction method to predict. If not, use grey forecasting model to predict. Prediction results of residual component and all IMF components are aggregated to produce the ultimate predicted result for wind farm power. The ultimate predicted result shows that the proposed method has good prediction accuracy, can be used for short-term prediction of wind farm power.     

EEMD、CEEMD算法与SVM在SST时间序列研究中的应用

海洋表面温度(SST)具有非线性、非平稳等特征,给处理和预测带来了很大的困难.将集合经验模态分解(EEMD)、改进的集合经验模态分解(CEEMD)与支持向量机(SVM)方法相结合,实现了对东北太平洋月平均海温距平序列(SSTA)的预测:首先应用EEMD或CEEMD方法将SST数据分解为多个本征模态函数(IMFs),然后应用SVM算法对各IMFs进行拟合、预测,最后对各IMFs预测结果叠加重构得到预测结果.EEMD-SVM和CEEMD-SVM数值模拟结果显示,预测最大误差小于0.25℃,并且CEEMD-SVM预测效果更好,为SST实际预测提供了参考.     

中国能源消费的EMD分析与预测

基于EMD分析,结合SVM方法构建了中国能源消费的预测模型,提供了一种新的能源消费预测思路.研究结果表明,到2020年我国能源消费量3027百万吨油当量,低于IEA2010能源展望中的预测结果.在低碳经济、节能减排已成为国际政治领域热点议题的背景下,采用定量的方法对中国能源消费状况进行分析与预测,有利于分析中国的国际政治压力及中国能源企业海外投资.     

神经网络汛期降水短期气候预测模型

用1960-2005年每年5-9月安徽宣城7县(市)平均降水量作为预报对象,在对应降水前期逐月74项大气环流特征量资料、500hPa月平均高度场和月平均海温场资料中选取因子.采用主分量分析方法构造网络学习矩阵,降低矩阵维数,提高网络预测模型泛化性能.建立的神经网络汛期降水短期气候预测模型对历年样本拟合精度高,试报效果较好,可在气候预测业务中使用.     

基于EMD-HMM的故障诊断模型及应用

提出了基于经验模式分解(EMD)和隐马尔科夫模型(HMM)的故障诊断模型,为通过设备状态监测数据分析进行基于状态维修和维修决策提供了一种新途径.为了消除EMD的端点效应,使用神经网络拟合延拓原始数据序列端点极值,并通过定义序列复杂度来定性地确定延拓极点数.进一步,采用分解所得的固有模态(IMF)能谱熵作为HMM分类系统的输入,得到一种设备故障诊断方案.通过数值仿真和发动机故障诊断验证了该方法的有效性.     

A Quasi-MQ EMD method for similarity analysis of DNA sequences

An empirical mode decomposition (EMD) method based on Multi-Quadrics radial basis function (MQ-RBF) quasi-interpolation (the Quasi-MQ EMD method) is presented and applied to similarity analysis of DNA sequences. The MQ-RBF quasi-interpolation is taken to approximate the extrema envelopes during the intrinsic mode function (IMF) sifting process. Our method is simple, easy to implement, and does not require solving any linear system of equations. Then we use the classic EMD method and our method to compare the local similarities among DNA sequences respectively. The work tests our method’s suitability and better performance for local similarity analysis of DNA sequences by using the mitochondria of four different species.     

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.     

支持向量机在胎膜早破预测中的应用

为快速、准确地对胎膜早破进行预测,首次应用了一种新型的数据挖掘技术-支持向量机预测模型.该模型针对所获取的胎膜早破及正常破膜数据集100个病例进行建模,并与神经网络、Logistic回归建模的性能进行了比较.结果表明,支持向量机具有可调参数少、学习速度快等优点,计算所得到的结果无论从准确率,还是所获取知识的可理解性等方面,都优于常用的神经网络等方法.用支持向量机方法建立的胎膜早破预测模型合理可行.     

支持向量机回归方法在地表水水质评价中的应用

将支持向量机方法应用于地表水质评价问题中,建立了多指标水质综合评价的支持向量机回归模型.在地表水质评价标准的基础上采用内插法获得学习样本,经过训练,得到水质评价的分类区间;然后以实测资料对所建模型进行检验,研究结果表明,支持向量机回归模型性能良好、预测精度高、简便易行,是水质评价的一种有效方法,具有广阔的应用前景.     

Examination and prediction of fog and haze pollution using a Multi-variable Grey Model based on interval number sequences

In this study, a new Multivariable Grey Model (1,m) aimed at interval grey number sequences with known possibility functions is built using the kernel and degree of greyness under new definitions. Based on the new model, formulae are deduced to calculate and predict the upper and lower bounds of interval grey numbers. Since the grey system model and fog- and haze-prone weather have the same characteristics of uncertainty, this model was applied to simulate and predict the measurable indicators of fog and haze in Nanjing, China. We selected visibility data and particulate matter data with a diameter of 2.5 µm to build a new Multivariable Grey Model (1,2) with a new kernel and degree of greyness sequence. In addition, we established the traditional Multivariable Grey Model (1,2) with the original kernel and degree of greyness and the Auto-Regressive Integrated Moving Average Model (1,1,0). The results show that the new Multivariable Grey Model (1,2) has the best simulation and prediction effects among the three models, with average relative errors of simulation and prediction at 1.32% and 0.32%, respectively. To further verify the validity and feasibility of the proposed model, we added another real-world example to establish the three models mentioned above. The results prove that the proposed model has evidently superior performance to another two models.