一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

基于滑动窗口和ARMA的Argo剖面数据异常检测算法

针对由于Argo浮标的随机性和抛弃性而导致难以保证剖面数据质量的问题,根据滑动窗口（Sliding Window,SW）与自回归移动平均（AutoRegressive Moving Average,ARMA）模型的特点,提出了一种基于滑动窗口和ARMA的Argo剖面异常检测算法。利用滑动窗口将Argo剖面时间序列进行划分,再通过建立ARMA模型获取剖面的预测值,然后确定置信区间,最后通过判断观测数据是否在置信区间内实现异常检测。通过全球Argo浮标剖面数据进行实验,在滑动窗口宽度10~20,置信度在80%~90%时,敏感度可以达到85%以上,且准确度在99%以上。     

估计ARMA过程功率谱的一个方法

对于时间序列分析,常会遇到功率谱(简称作谱)的估计问题.在和中给出了估计ARMA过程谱的一些方法,但涉及解非线性方程组.本文给出一个估计ARMA谱的方法,它不涉及解非线性方程,只需估计出ARMA模型中的自回归参数并用序列的自相关就可得到混合模型的谱估计.我们对此方法作了详细推导并给出了数值实例.     

基于均值生成函数的时间序列分析

一、引言时间序列分析主要有两个目的,一是分析时间序列的统计规律;二是根据过去和现在的观测样本构造拟合序列的最佳数学模型,并用此模型对未来进行预报。其中周期图、功率谱和最大熵谱估计等都是分析时间序列性质的有效工具,但它们本身不能用于对未来的预报。自回归模型(AR)和自回归滑动平均模型(ARMA)建立了描述序列前后相     

基于快速小波变换的石英加速度计零偏预测

针对石英挠性加速度计零偏在贮存期间受外界环境影响发生漂移的补偿问题,研究了基于快速小波变换的加速度计零偏预测方法.通过Mallat算法从非平稳的零偏序列中提取出平稳的细节序列和非线性趋势序列,再根据序列的特点分别采用自回归移动平均(ARMA)模型和径向基函数(RBF)神经网络进行预测建模;最后利用小波重构公式得到零偏预测值.为验证所提方法的有效性,对某型加速度计2年贮存条件下的零偏标定值进行了建模仿真.结果显示:组合模型较单一自回归综合移动平均(ARIMA)模型和RBF模型预测精度分别提升45.5％和47.4％.     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。     

FCBLUP模型在高频金融数据中的应用

将函数延拓最优线性无偏估计(FCBLUP)引入高频金融数据挖掘中,对离散观测值序列建立函数数据模型,并进行预测。选取上证收盘价格为实验数据,建立FCBLUP模型。为能对预测效果进行有效的评价与定位,设立基于ARMA模型的预测组。实验结果表明,FCBLUP预测效果较ARMA模型更理想,FCBLUP预测误差除在小段预测区间略大于ARMA外,其余时刻均低于ARMA预测。     

基于海洋气象漂流浮标的动态测风技术研究

利用海洋气象漂流浮标对海洋风数据进行观测具有成本低、可抛弃性的优势,然而,海洋气象漂流浮标在海上动态观测环境中传感器倾角不断变化且改变速度不确定,引起了较大的测量误差;针对这一问题,搭建了模拟海洋动态环境的测风实验平台,选用FT742-SM型超声波测风传感器对风速风向数据进行测量,并利用欧拉角模型和四元数模型对测风传感器姿态变化时的三个倾角进行解算;通过多次实验数据对比分析,发现传感器俯仰角θ和横滚角γ对风速风向测量影响最大,进而提出了多变量拟合的方法对所测风速风向数据进行误差补偿,补偿后的数据准确性得到了较大的提升;最后,结合真风订正算法设计了漂流浮标测风算法总流程,为后续的海洋气象漂流浮标测风提供了很好的参考价值。     

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.