基于混沌最小二乘支持向量机的时间序列预测研究

为了对这种具有非线性特性的时间序列进行预测,提出一种基于混沌最小二乘支持向量机.算法将时间序列在相空间重构得到嵌入维数和时间延滞作为数据样本的选择依据,结合最小二乘法原理和支持向量机构建了基于混沌最小二乘支持向量机的预测模型.利用此预测模型对栾城站土壤含水量时间序列进行了预测.结果表明,经过相空间重构优化了数据样本的选取,通过模型的评价指标,混沌最小二乘支持向量机的预测模型能精确地预测具有非线性特性的时间序列,具有很好的理论和应用价值.     

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.     

基于改进C-C方法相空间重构和LS-SVM的隧道拱顶沉降预测模型

在地铁工程的设计、施工、工后沉降控制过程中,拱顶下沉监测值是反映地下工程结构安全和稳定的重要数据.针对常用的地铁拱顶沉降测模型只能做短期预测,精度不高,且需要一些土的本构参数的问题,将相空间重构、最小二乘支持向量机理论相耦合,建立基于改进C-C方法相空间重构和最小二乘支持向量机的地铁隧洞拱顶沉降混沌时间序列预测模型.经实例演算,模型比传统C-C方法相空间重构、基于最大Lyapunov指数的混沌预测模型、人工神经网络模型拟合效果好,预测精度高.     

基于支持向量回归机的黄金价格短期预测

针对黄金价格时间序列的特点,首先结合马尔可夫决策思想对数据集进行相空间重构处理,然后利用支持向量机技术建立黄金价格走势的短期预测模型,最后对上海黄金交易所AU9999的预测结果表明所建模型可以有效地进行黄金价格的短期预测.     

基于遗传算法和熵的缩减记忆式LS-SVM财务困境预测模型研究

为了提高财务困境预测的正确率,减少模型的训练样本数和训练时间,在传统支持向量机(SVM)预测模型的基础上,将遗传算法、信息熵和缩减记忆算法应用于最小二乘支持向量机(LS-SVM),提出了一种基于遗传算法和信息熵的缩减记忆式最小二乘支持向量机预测模型。并独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进模型的实现步骤。实验结果表明,该模型无论是预测正确率,还是训练样本的数量和训练时间,都显著优于最小二乘支持向量机以及传统支持向量机模型。     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

混沌时间序列的2阶预测模型

为了克服传统预测方法对混沌时间序列预测精度不高的缺点,提出一种新的基于1阶预测模型(1-OP)和信息融合理论的混沌时间序列2阶预测模型(2-OP).首先根据相空间重构理论建立2个1阶预测模型,然后根据融合估计原理建立2阶预测模型.最后利用Lorenz和Mackey-Glass时间序列对该模型进行验证,结果表明,2阶预测模型对多变量和单变量混沌系统都是有效的.     

人工鱼群算法优化支持向量机的物流需求预测模型研究

物流需求受多种因素的作用,具有时变性和混沌性,针对当前支持向量机的参数优化难题,提出一种改进人工鱼群算浅优化支持向量机的物流需求预测模型.首先对原始物流需求数据进行混沌分析,挖掘出隐藏其中的物流需求变化规律,然后采用支持向量机对物流需求数据进行非线性建模,并采用人工鱼群算法搜索支持向量机的参数,最后利用某地区物流数据与当前经典模型进行性能对比测试.结果表明,模型预测精度.更高,更加客观地反映了物流需求变化特性.     

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.     

基于改进的支持向量回归机的金融时序预测

金融市场是一个复杂、演化、非线性的动态变化的系统.金融数据往往带有噪声,非平稳且时常是混沌的.本文基于时序数据的先验知识——近期数据对于预测未来走势提供了更多的信息,对于传统的支持向量机的回归模型做出了一定的改进,即对于近期的数据预测错误施以更严重的惩罚,构建了改进的支持向量回归机模型.使用该改进模型对中国股票市场指数时间序列进行了预测,结果显示,本文改进的模型较之传统的支持向量回归机模型和神经网络模型有较好的预测效果.     

复杂系统中混沌排斥子的动力学特性分析及应用研究

研究了由一类复杂系统排斥子所生成的时间序列的分形特征、分维值,利用相空间重构理论对排斥子所生成的混沌时序数据进行了重构．研究了时序数据的零均值处理、傅立叶滤波对预测结果的影响,研究了预测样本值的选取对预测的相对误差、预测长度影响等相关问题．结果表明:该模型对于这类排斥子所生成的时序数据建模和预测都具有实用性,且混沌排斥子样本数据的零均值处理对预测结果有一定的量的改变,但对排斥子样本数据进行Fourier滤波处理会降低预测的精度,这对于复杂系统排斥子的研究有着较为重要的理论和实际意义．     

低噪声水平混沌时序的预测技术及其应用研究

研究含有噪声的混沌时序的除噪及其重构技术,基于除噪混沌数据的预测技术及其应用．应用混沌时序的奇异值分解技术对混沌时序的噪声进行了剥离,将混沌时序的相空间分解成为值域空间和虚拟的噪声空间,在值域空间内重构了原混沌时序,并在此基础上,确立了非线性模型的阶,利用所提出的非线性模型对时序进行了预测研究工作,研究结果表明,该非线性模型具有很强的函数逼近能力,所采用的混沌预测方法对相应的实际问题有着一定的指导意义．     

低维混沌时序非线性动力系统的预测方法及其应用研究

主要研究由低维混沌时序所确定的非线性动力系统的预测方法及其应用。在国外学者研究工作的基础上,应用一种非线性混沌模型在相空间内对时序进行重构工作,先通过改进的最小二乘方法来估计模型的参数,满足一定精度后,再采用最优化方法来估计模型的参数,并用所求得的混沌时序模型在其相空间内对时序的未来值进行预测。给出了非常有代表性的实例对文中模型和算法进行验证。结果发现采用该算法能较准确地求得模型的参数,在相空间中对混沌时序进行预测,将传统方法中的外推变成了相空间中的内插,及选取最佳的模型阶数等工作都能增加预测的准确程度,且混沌时序不可能进行长期的预测。     

基于相空间重构的一阶加权局域预测法在溶解氧预测中的应用

将混沌理论引入到水质预测中,分析海河溶解氧时间序列,进行相空间重构和计算最大Lyapunov指数.结果表明,海河溶解氧时间序列具有混沌特性,可以对其进行短期预测.在此基础上,应用一阶加权局域预测模型进行了预测,预测结果具有一定的精度,为水质预测研究提供了新的思路.     

Differential phase space reconstructed for chaotic time series

A new numerical differential filter is built to estimate the numerical differential for a chaotic time series and then a differential phase space for the chaotic time series is reconstructed. Correlation dimensions, Lyapunov exponents and forecasting are discussed for the chaotic time series on the reconstructed differential phase space and on the delay phase space, respectively. Comparison results show that the numerical results on the differential phase space are better than that on the delay phase space.     

基于混合模型的原油价格混沌预测方法

针对原油现货价格的非线性和时变性特征,提出一种小波变换结合Elman神经网络和广义自回归条件异方差(GARCH)模型的混沌预测方法。首先利用小波变换将原油现货价格序列分解和重构成概貌序列和细节序列。其次对概貌序列和原油期货价格序列进行相空间重构,建立Elman神经网络的混沌时间序列模型预测概貌序列的未来值;同时以细节序列为历史数据,构建GARCH模型预测细节序列的未来值;最后将概貌序列和细节序列的未来值求和作为最终的预测值。实验证明该方法能够提供更准确的预测结果。     

Extended and Unscented Kalman filtering based feedforward neural networks for time series prediction

With the ability to deal with high non-linearity, artificial neural networks (ANNs) and support vector machines (SVMs) have been widely studied and successfully applied to time series prediction. However, good fitting results of ANNs and SVMs to nonlinear models do not guarantee an equally good prediction performance. One main reason is that their dynamics and properties are changing with time, and another key problem is the inherent noise of the fitting data. Nonlinear filtering methods have some advantages such as handling additive noises and following the movement of a system when the underlying model is evolving through time. The present paper investigates time series prediction algorithms by using a combination of nonlinear filtering approaches and the feedforward neural network (FNN). The nonlinear filtering model is established by using the FNN’s weights to present state equation and the FNN’s output to present the observation equation, and the input vector to the FNN is composed of the predicted signal with given length, then the extended Kalman filtering (EKF) and Unscented Kalman filtering (UKF) are used to online train the FNN. Time series prediction results are presented by the predicted observation value of nonlinear filtering approaches. To evaluate the proposed methods, the developed techniques are applied to the predictions of one simulated Mackey-Glass chaotic time series and one real monthly mean water levels time series. Generally, the prediction accuracy of the UKF-based FNN is better than the EKF-based FNN when the model is highly nonlinear. However, comparing from prediction accuracy and computational effort based on the prediction model proposed in our study, we draw the conclusion that the EKF-based FNN is superior to the UKF-based FNN for the theoretical Mackey-Glass time series prediction and the real monthly mean water levels time series prediction.