基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

多元系统耦合多新息随机梯度类辨识方法

针对多元线性回归系统,利用耦合辨识概念和多新息辨识理论,讨论了多元随机梯度算法、多元多新息随机梯度算法,以及变递推间隔多元多新息梯度算法,进一步分解多元系统为一些子系统,给出了耦合子系统随机梯度算法、耦合随机梯度算法、耦合子系统多新息随机梯度算法、耦合多新息随机梯度算法,并将这些方法推广到多元伪线性滑动平均系统和多元伪线性自回归滑动平均系统.文中给出了几个典型耦合随机梯度算法、耦合多新息随机梯度算法的计算步骤和示意图.     

基于ARIMA和CART的负载预测模型

主机资源的负载预测对其运营维护工作具有重要意义.传统负载预测方法通常采用线性时间序列模型拟合负载数据,而负载受复杂的内外部环境影响,线性模型无法很好地表征负载数据规律.为提高模型的精度,提出将负载信息分解为线性部分和非线性部分的思想,并将自回归差分滑动平均(autoregressive integrated moving average,ARIMA)模型和分类回归树(classification and regression tree,CART)模型相结合进行预测.通过加权最小二乘法改进的ARIMA预测线性部分,通过边界判定优化的CART预测非线性部分,并结合两者获得综合预测结果.在真实负载数据集下进行对比实验,结果表明,改进后的算法预测精度相比传统方法提高了15%以上,且对偏远值和不同的时间间隔都均有良好的适应性.     

利用NARMA模型辨识非线性时变结构系统

为了有效地进行非线性时变结构系统的辨识,提出了一种基于Kalman滤波算法的利用时变非线性自回归滑动平均模型的用于非线性时变结构系统辨识的新方法.首先,利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后,将非线性项展开为系统输出数据的多项式的形式.利用短时时不变假设,通过改变模型参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题.建立系统参数的随机游动模型,引入Kalman滤波算法估计系统的参数,实现对非线性时变结构系统的辨识.最后对一个具有非线性时变刚度的三自由度结构系统进行了仿真,结果表明:该方法可以有效地跟踪非线性时变结构系统的参数变化.遗忘因子的对比试验表明只有选择合适的遗忘因子才能得到合理的结果.     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

一种基于径向基神经网络的组合预测模型

根据基于最近邻聚类算法(NNCA)的径向基(RBF)神经网络和自回归求和滑动平均(ARIMA)两种方法,建立了各自的单项预测子模型,并利用RBF神经网络对两个单项预测子模型结果进行组合预测,得到最终的预测值.将该模型应用于长沙市某路段的交通流量预测,实验结果证明了该预测模型的有效性,采用组合预测模型比单一预测模型的预测精度有了较大提高.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

室内微细颗粒物污染水平预测的数值模拟

微细颗粒物危害人体健康,预测室内颗粒物浓度水平是分析室内颗粒物污染的特征规律、治理室内颗粒物污染的重要手段.作者在现有室内颗粒物机理模型的基础上,建立了多元回归模型和自回归滑动平均模型,并对室内PM2.5浓度水平进行了预测,通过比较分析两个模型的特征参数和统计结果,证明应用自回归滑动平均模型预测污染物浓度水平精确度更高.     

一种基于多步预测的自校正控制算法研究

预测控制可以预测未来多步模型的输出,并且在多堂时段内,控制也有多步作用．采用受控自回归积分滑动平均过程模型,选择一定的性能指标函数,设计了一种多变预测自校正控制间接算法．同时利用实例验证了该控制策略具有鲁棒性强、自适应能力强的优点．     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。     

粒子群优化加权灰色回归组合的卫星钟差预报

为了提高卫星钟差预报的精度和稳定度,提出了一种基于粒子群算法优化指数函数和线性函数逼近的加权灰色回归组合的自适应卫星钟差预报方法.该方法首先在建模之前考虑到卫星钟差钟跳频繁的现象,采用中位数法探测钟跳数据并将其剔除后,采用分段线性插值法将缺失的钟差数据补齐;然后考虑到卫星钟差存在系统噪声,采用三点平滑法对钟差数据进行平滑处理后,建立了以指数函数和线性函数逼近加权灰色回归组合的卫星钟差预报模型.针对模型中的精度递增因子难以确定的问题,采用粒子群优化算法对精度递增因子进行自适应寻优.最后,采用IGS服务器上发布的事后精密卫星钟差产品,并结合4种典型变化趋势的卫星钟差进行了6 h的预报试验.试验结果表明:该方法的预报性能明显优于其他几种常用模型,其6 h的平均预报精度(RMS)和稳定度(Range)相对于常用的二次多项式预报模型、灰色预报模型、修正指数曲线法预报模型和自回归滑动平均预报模型分别提高了79.10%、44.00%、80.70%、32.30%和63.10%、29.80%、77.60%、26.30%.     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用

为了提高深基坑施工过程中变形预测的准确度,提出一种基于小波变换分解与重构、采用遗传算法优化参数的支持向量机（GASVM）和自回归滑动平均（ARMA）模型相结合的组合模型预测方法。使用GASVM模型对小波分解后的趋势项进行一步预测和多步滚动预测,使用ARMA模型相应地对随机项进行预测,将预测值求和得到最终预测结果。以某地铁车站深基坑为案例,对3个监测点的支护桩深层水平位移进行预测分析,得到其一步预测的短期预测值和多步滚动预测的中长期预测值,并与单一采用GASVM模型得到的预测值进行对比。结果表明：组合模型有效减小了预测误差,在短期和中长期预测中均取得令人满意的结果。     

结合灰度预测特征与CNNs的信息服务体育成绩预测

针对大数据体育成绩预测存在精度较低的缺陷,提出一种结合灰度预测特征与CNNs的体育成绩预测算法.通过等维动态GOM模型提取灰度特征,并构建CNNs模型完成对体育成绩时间序列的回归与预测.以百米赛跑体育成绩为研究目标,完成了体育达标人数预测和体育成绩预测两个对比实验.结果表明,等维动态GOM模型以及相应的CNNs模型分别在达标人数和成绩预测中获得了最优的预测结果.提出的算法显著优于传统算法,分别在平均精度和极端数据中获得了更好的预测结果.     

一种光纤陀螺随机漂移的高精度建模方法

为减小光纤陀螺随机漂移,采用时间序列分析法对其进行ARMA模型辨识.提出一种全局最优的模型阶次搜索算法,将模型适用性检验方法中的BIC(Bayesian information criterion)用于模型阶次搜索,并采用Pandit-Wu建模思想,把二维搜索化为一维搜索,得到了模型阶次的一致性估计.提出了一种改进的U-C算法,并与长自回归模型计算残差法相结合共同估计模型参数.它将非线性参数估计过程转化为线性过程,使用了正置与逆置漂移时序参与估计,以前向和后向模型的滤波误差平方和最小为参数估计的指标,在p+1维空间中求极小值.采用上述方法确定的模型其残差标准差为0.002 4°,最大预报误差为0.011 2°,能准确预报光纤陀螺随机漂移趋势.     

多变量受控自回归滑动平均系统的极大似然辨识方法

提出了一种针对多变量受控自回归滑动平均(controlled autoregressive moving average system-like, CARMA-like)系统的极大似然参数估计算法。将CARMA-like系统分解成为m个辨识模型(m是输出量的个数),使每一个辨识模型仅包含一个需要估计的参数向量,通过极大似然方法估计每个辨识模型的参数向量,从而得到整个系统的参数估计值。仿真结果验证了该算法的有效性。     

基于驾驶员需求转矩预测的模型预测控制能量管理

以并联式混合动力车辆为研究对象,基于驾驶员需求转矩预测,采用线性时变模型预测控制算法对对象车辆进行能量管理控制. 根据驾驶员前一段时间内的需求转矩,可以预测下一时段内驾驶员的需求转矩. 与指数函数预测方法相比,自回归模型在预测步长200步之内的预测准确度比指数函数高. 根据纵向动力学公式,可以由预测获得的需求转矩序列计算获得预测的车速序列;采用线性化处理的方法,将具有非线性特性的车辆模型转化成线性时变模型,采用线性时变模型预测控制算法进行求解;将基于驾驶员需求转矩预测的模型预测控制算法和基于规则的控制算法、工况已知的模型预测控制算法进行对比. 对比结果表明：基于驾驶员需求转矩预测的模型预测控制算法与基于规则的控制算法相比,在NEDC、UDDS和WLTC这3个标准工况下的燃油经济性均有所提高,但是与工况已知时的计算结果相比有提升的空间.