基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

基于小波变换通信数据信号的分析与研究

应用小波变换对通信流量数据进行分析,首先对数据序列进行小波分解,将其分解为高频部分和低频部分。对低频部分利用相空间重构法进行混沌时间序列处理,得出其最大Lyapunov指数,验证通信流量的混沌性。利用相空间重构过程中得到的参数对各部分进行预测,最后将全部预测结果小波重构,得到原始序列的预测结果。实测数据预测结果表明,本文建立的通信流量数据预测模型效果良好。     

基于小波变换技术预测DNA序列的编码区

三周期性是大多数基因组序列的编码区具有的主要特征.本文提出利用小波变换分析DNA序列编码区的三周期性,形成一种新的基于小波变换的DNA序列编码区预测方法,理论和实验研究证实了新方法的可行性,探测率和正确率分别达到81%和75%,特别是探测率较目前常用的其它一些方法有较大改善.     

时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。     

基于TensorFlow的犯罪时间序列预测

本文针对基于TensorFlow的犯罪时间序列建模及预测方法进行了研究。首先搭建TensorFlow软件开发平台,然后利用长短时记忆网络(LSTM)建立犯罪时间序列预测模型,最后对实际犯罪时间序列进行建模预测,得到了较好的效果。     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

基于小波变换的GPS接收机钟差序列预测

针对高精度GPS接收系统时钟稳定度对其性能影响,传统的方法是直接利用钟差数据的关联性建立钟差预报模型,即ARMA模型。利用小波分析对钟差进行消噪,得到更加平稳的时间序列,然后再对钟差进行建模,并对消噪钟差模型进行了误差分析。用真实数据进行仿真验证,表明对原始数据进行小波变换可以有效提高GPS接收机钟差预测的准确性。     

基于时间序列分解的信号挖掘与预测

随着电磁信号环境日趋复杂以及通信设备数量的不断增加,电磁信号受到干扰问题逐渐加剧。因此,对于信号在不同噪声环境下的接收与处理技术的研究以及在复杂的电磁环境中对信号各项数据指标及其携带信息的利用十分关键。为了解在不同电磁环境下含噪信号的性能表现,提高信号的利用质量及可靠性,本文提出一种基于时间序列分解的电磁数据处理方法。建立了基于加法季节性时间序列分解的含噪信号处理模型,并利用该模型对信号在有噪环境下的表现与规律性、趋势、误码率等性能进行分析与评估,对原始信息、载波信息进行挖掘预测。与传统方法相比,本文提出的基于时间序列分解的信号挖掘与预测模型在高噪环境下对信号预测更为准确。     

Network traffic prediction based on a new time series model

Fast and accurate methods for predicting traffic properties and trend are essential for dynamic network resource management and congestion control. With the aim of performing online and feasible prediction of network traffic, this paper proposes a novel time series model, named adaptive autoregressive (AAR). This model is built upon an adaptive memory‐shortening technique and an adaptive‐order selection method originally developed by this study. Compared to the conventional one‐step ahead prediction using traditional Box–Jenkins time series models (e.g. AR, MA, ARMA, ARIMA and ARFIMA), performance results obtained from actual Internet traffic traces have demonstrated that the proposed AAR model is able to support online prediction of dynamic network traffic with reasonable accuracy and relatively low computation complexity. Copyright © 2005 John Wiley & Sons, Ltd.     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

改进的基于小波变换和FARIMA模型的网络流量预测算法

提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法,先对经过预处理的流量进行小波分解,再进行Mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后合成流量。该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。仿真实验也验证了改进算法的预测准确性。     

Network traffic prediction method based on wavelet transform and multiple models fusion

Accurate prediction of network traffic is an important premise in network management and congestion control. In order to improve the prediction accuracy of network traffic, a prediction method based on wavelet transform and multiple models fusion is presented. Mallat wavelet transform algorithm is used to decompose and reconstruct the network traffic time series. The approximate and detailed components of the original network traffic can be obtained. The characteristics of approximate components and detail components are analyzed by Hurst exponent. Then, according to the different characteristics of the components, autoregressive integrated moving average model (ARIMA) is chosen as the prediction model for the approximate component. Least squares support vector machine (LSSVM) is used to predict detail component. Meanwhile, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the parameters of the LSSVM model. Gauss‐Markov estimation algorithm is adapted to fuse the predicted values of multiple prediction models. The variance of fusion prediction error is smaller than that of single prediction model, and the prediction accuracy is improved. Two actual datasets of network traffic are studied. Compared with other state‐of‐the‐art models, the case study results indicate that the proposed prediction method has a better prediction effect.     

基于谱聚类的高阶模糊时序自适应预测方法

结合数据特征及分布特点提出一种基于谱聚类的模糊时间序列自适应预测方法。首先基于谱聚类的思想,根据样本数据特征获取其所属论域的个数及范围,实现向模糊时间序列的自适应转化;然后基于Markov概率模型表示模糊时间序列中的模糊关系,从而对多步模糊关系、高阶模糊关系及模糊关系的稳态进行求解;最后获取预测值的可能模糊状态,进而利用去模糊化方法将其还原为预测值。在真实以及人工时间序列数据上的实验表明了所提方法的合理性与有效性。     

基于小波变换的最小失真预测/多级矢量量化

矢量量化器的压缩性能随维数的增大而提高,但复杂度亦随维数的增大呈指数增大,限制了大维数矢量的使用。本文利用小波变换产生的子带间的相关性,提出一种新的最小失真预测／多级矢量量化算法。一方面通过最小失真预测来降低时间复杂度,使得编码６３Ｄ的矢量只需付出相当于１５Ｄ矢量的时间复杂度代价;另一方面通过增强多级矢量量化算法来进一步降低复杂度。在复杂度得到极大降低的同时,仍具有很好的编码性能。     

基于非平稳时间序列的陀螺漂移性能建模与预测方法研究

研究了利用Kalman滤波和小波分析两种方法对陀螺漂移非平稳时间序列建模预测的基本思想和具体算法。实验证明,这两种方法较传统的差分法优越,可以很好地完成非平稳时间序列的建模预测,并且通过比较分析了它们各自的优缺点,为选用合理的建模方法提供了依据。