道路交通流状态的多参数融合预测方法

针对道路交通流普遍存在的混沌特性以及单交通参数不足 以全面反映交通流状态的实际情况,考虑交通动力学系统中多个 交通参数之间的关联关系,提出一种新的多参数混沌时间序列预 测算法.该算法在相空间重构理论的基础上,借助Bayes估计将多个参数在 同一高维相空间中进行相点最优融合,从而增加重构相空间的系统信息量, 使得相空间的相点轨迹更加逼近原交通系统的动力学行为.同时借鉴单 参数混沌时间序列预测方法,从不同角度对动力学系统的运动状态进行描 述,以实现多参数时间序列的混沌预测.实验结果表明,通过融合多交通参数时 间序列,获得了更加完整的交通流状态变化特征.与单交通参数时间序列的预测 结果相比,其预测误差显著降低,均衡系数相应增大,提高了交通流状态预测的准确率.     

多变量时间序列最大李雅普诺夫指数的计算

根据单变量时间序列计算最大Lyapunov指数的算法思想，本文提出了一种于多变量时间序列最大Lyapunov指数计算的方法.针对原有算法需要使用重构相空间的特点，推广算法给出了多变量时间序列相空间重构参数的选择方法，并采用多变量重构相空间进行最大Lyapunov指数计算.经耦合Rssler系统产生多变量时间序列的仿真计算，验证了该算法的有效性，推广算法的计算结果表明多变量时间序列的计算结果优于单变量的结果，且更加接近理论计算结果. 关键词： 多变量时间序列 相空间重构 Lyapunov指数     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测     

基于因果检验的非线性系统的预测试验

非线性、非平稳系统的预测是一个具有重要科学意义的研究课题.最近一些工作已将收敛交叉映射算法(convergent cross mapping, CCM)用于检验变量之间的因果关系,由于在CCM算法中,相空间中相互靠近的点在时间上具有相似的发展趋势和运动轨迹,因此该方法可以尝试应用于非线性、非平稳系统的预测试验研究中.鉴于此,本文将CCM算法分别应用于Lorenz系统和实际气候时间序列的预测中,并检测不同相空间重构方法对预测效果的影响.主要结果如下:1)不论是理想Lorenz模型还是实际气候序列,对于单变量、多变量和多视角嵌入法3种重构相空间方法而言,多视角嵌入法对变量的预测效果最好,表明对于给定长度的时间序列,重构相空间中包含的信息越多,其预测能力越强; 2)将NAM (northern hemisphere annular mode)加入SAT (surface air temperature)的重构相空间中可以改善SAT的预测效果.在使用单变量、多变量和多视角嵌入法进行预测时,利用复杂系统中变量中共有信息的特性,在时间序列长度一定的情况下,可以利用动力系统的复杂性来增加系统内的信息...     

螺旋桨鸣音的混沌动力特性研究

利用混沌动力学方法研究螺旋桨鸣音信号时间序列,估计时间序列的相空间重构最佳参数,并提出其具有混沌动力特性,分析了系统拓扑维数的边界和生成系统所必须独立变量的个数,还计算分析了重构相空间中吸引子轨迹随时间演化的发散情况。分析计算结果表明:螺旋桨鸣音信号时间序列可以选取最佳延迟时间t_D=1、最小嵌入维数d_E=8进行相空间重构,其混沌吸引子的关联维数为5.1579、最大Lyapunov指数为0.0771,此研究结果可以为螺旋桨鸣音现象的进一步研究提供理论基础。      

基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题, 提出了一种基于输入变量选择和极端学习机的预测模型. 其基本思想是 对多变量混沌时间序列进行相空间重构后, 采用互信息方法选择与预测输出统计相关最高的重构输入变量, 借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型. 为进一步提高预测精度, 采用模型选择算法选择具有最小期望风险的极端学习机预测模型. 基于Lorenz, Rössler多变量混沌时间序列及Rössler超混沌时间序列的仿 真结果证明所提方法的有效性.     

基于径向基神经网络预测的混沌时间序列嵌入维数估计方法

根据Takens定理,研究了混沌时间序列相空间重构嵌入维数的选取问题.提出了基于径向基函数神经网络预测模型性能的嵌入维数估计方法,即根据嵌入维数与混沌时间序列预测模型性能的变化关系来确定嵌入维数.通过对几种典型混沌动力学系统的数值验证,结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 嵌入维数 预测     

混沌时序相空间重构参数确定的信息论方法

根据信息论基本原理，研究了混沌时间序列相空间重构参数延迟时间和嵌入维数的选取.提出了用符号分析的方法计算互信息函数，确定出延迟时间，在此基础上，提出了一种估计嵌入维数的信息论方法，即根据重构向量条件熵随向量维数的变化关系来确定嵌入维数，通过对几种典型混沌动力学系统的数值验证，结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 互信息 条件熵 符号分析     

基于信息熵优化相空间重构参数的混沌时间序列预测

提出一种混沌时间序列相空间重构参数的信息熵优化方法(IEOP),该方法首先使用条件熵表示信息量,建立时间延迟和嵌入维数在相空间中的信息熵优化模型,然后利用遗传算法同时求解两个重构参数,使重构坐标间既保持了良好的独立性又保留了原系统的动力学特征.通过在Lorenz和Mackey-Glass系统上的数值实验,该方法不仅能够确定合适的嵌入维数和时间延迟,而且能在优化的相空间中获得更多的信息,提高了混沌时间序列的预测精度.     

基于多变量混沌时间序列的煤矿斜井TBM施工动态风险预测

在全面分析煤矿长斜井TBM(盾构)施工动态风险特点的基础上,利用多变量混沌时间序列预测方法对其进行预测.利用主成分分析法,确定影响煤矿长斜井TBM施工风险的主要成分.对煤矿长斜井TBM施工风险多变量时间序列进行相空间的重构,确定时间延迟τi和嵌入维数mi,采用小数据量法计算煤矿长斜井TBM施工多变量风险时间序列的最大Lyapunov指数,证明了其具有混沌特性,提出了一阶局域法与双隐层神经网络的组合预测模型,该模型能够对多变量风险时间序列随时间的变化进行预测.仿真实验表明,该预测模型误差小于单变量时间序列的预测误差,具有较强的预测能力和较好的预测效果,可为煤矿长斜井TBM施工风险分析与评估提供一种新的途径.     

Interpolating Strange Attractors via Fractional Brownian Bridges

We present a novel method for interpolating univariate time series data. The proposed method combines multi-point fractional Brownian bridges, a genetic algorithm, and Takens’ theorem for reconstructing a phase space from univariate time series data. The basic idea is to first generate a population of different stochastically-interpolated time series data, and secondly, to use a genetic algorithm to find the pieces in the population which generate the smoothest reconstructed phase space trajectory. A smooth trajectory curve is hereby found to have a low variance of second derivatives along the curve. For simplicity, we refer to the developed method as PhaSpaSto-interpolation, which is an abbreviation for phase-space-trajectory-smoothing stochastic interpolation. The proposed approach is tested and validated with a univariate time series of the Lorenz system, five non-model data sets and compared to a cubic spline interpolation and a linear interpolation. We find that the criterion for smoothness guarantees low errors on known model and non-model data. Finally, we interpolate the discussed non-model data sets, and show the corresponding improved phase space portraits. The proposed method is useful for interpolating low-sampled time series data sets for, e.g., machine learning, regression analysis, or time series prediction approaches. Further, the results suggest that the variance of second derivatives along a given phase space trajectory is a valuable tool for phase space analysis of non-model time series data, and we expect it to be useful for future research.     

Research on the chaos recognition method based on differential entropy

Phase space reconstruction is the first step to recognizing the chaos from observed time series. On the basis of differential entropy, this paper introduces an efficient method to estimate the embedding dimension and the time delay simultaneously. The differential entropy is used to characterize the disorder degree of the reconstructed attractor. The minimum value of the differential entropy corresponds to the optimum set of the reconstructed parameters. Simulated experiments show that the original phase space can be effectively reconstructed from time series, and the accuracy of the invariants in phase space reconstruction is greatly improved. It provides a new method for the identification of chaotic signals from time series.     

多元混沌时间序列的多核极端学习机建模预测

多元混沌时间序列广泛存在于自然、经济、社会、工业等领域. 对多元混沌时间序列进行建模预测有助于人类更好地管理, 控制与决策. 针对多元混沌时间序列的建模预测问题, 本文提出一种基于多核极端学习机的预测方法. 首先对多元混沌时间序列进行相空间重构, 将多元混沌时间序列序列的时间相关性转化为空间相关性. 提出一种结合多核学习算法与核极端学习机模型的多核极端学习机建立相空间中输入输出数据的非线性映射. 多核极端学习机模型结合了多核学习算法的数据融合能力以及核极端学习机的训练简便优势. 基于Lorenz混沌时间序列预测和San Francisco河流月径流量预测的仿真实验表明, 与其他常见混沌时间序列预测方法相比, 本文提出的基于多核极端学习机的多元混沌时间序列预测方法具有更小的预测误差.     

Spectral Ranking of Causal Influence in Complex Systems

Similar to natural complex systems, such as the Earth’s climate or a living cell, semiconductor lithography systems are characterized by nonlinear dynamics across more than a dozen orders of magnitude in space and time. Thousands of sensors measure relevant process variables at appropriate sampling rates, to provide time series as primary sources for system diagnostics. However, high-dimensionality, non-linearity and non-stationarity of the data are major challenges to efficiently, yet accurately, diagnose rare or new system issues by merely using model-based approaches. To reliably narrow down the causal search space, we validate a ranking algorithm that applies transfer entropy for bivariate interaction analysis of a system’s multivariate time series to obtain a weighted directed graph, and graph eigenvector centrality to identify the system’s most important sources of original information or causal influence. The results suggest that this approach robustly identifies the true drivers or causes of a complex system’s deviant behavior, even when its reconstructed information transfer network includes redundant edges.     

Latent Network Construction for Univariate Time Series Based on Variational Auto-Encode

Time series analysis has been an important branch of information processing, and the conversion of time series into complex networks provides a new means to understand and analyze time series. In this work, using Variational Auto-Encode (VAE), we explored the construction of latent networks for univariate time series. We first trained the VAE to obtain the space of latent probability distributions of the time series and then decomposed the multivariate Gaussian distribution into multiple univariate Gaussian distributions. By measuring the distance between univariate Gaussian distributions on a statistical manifold, the latent network construction was finally achieved. The experimental results show that the latent network can effectively retain the original information of the time series and provide a new data structure for the downstream tasks.     

Inferring mechanism from time-series data: Delay-differential equations

When there is qualitative information about the underlying processes and structure of a dynamical system, it may be possible to infer very accurate quantitative information about these processes using only an output time series from the system. We illustrate how this can be accomplished for time series data from a delay-differential equation with a single fixed delay. Our approach exploits modern techniques for non-parametric function estimation, is robust to fairly high levels of dynamic noise and measurement error, and can be extended straightforwardly to more general delay-differential systems and multivariate systems.