基于EEMD-HW-PSO-ELM耦合模型的排土场边坡位移预测模型

为了准确预测小样本、非线性特点的排土场边坡位移,提出了一种基于经验模态分解法、三次指数平滑法和粒子群优化极限学习机的EEMD-HW-PSO-ELM边坡位移组合预测模型。以伊敏露天矿排土场GPS位移监测数据为例,验证该模型的有效性。研究结果表明：EEMD模型分解后的边坡位移时间序列包括4个IMF分量和1个余量,将分解后的数据重构为趋势项和波动项,物理意义明确。分别选择三次指数平滑法和粒子群优化极限学习机预测趋势项和波动项位移,将分项预测结果的等权叠加值作为最终预测结果,预测值的平均相对误差为0.38%,均方根误差为1.15。选择了BP模型和Elman模型进行对比预测,结果表明组合预测模型的预测效果较好,能够为边坡安全管理提供理论依据。     

半参数方法对上证指数波动率的预测分析

根据金融时间序列一般都存在条件异方差性,本文研究了两种半参数时间序列模型的估计方法,通过实际算例对参数模型与半参数模型,以及不同的半参数模型在金融时间序列的拟合与波动率预测方面的表现作了比较.结果表明,半参数模型要优于参数模型,半参数可加模型要优于多项式样条估计模型.     

温度—静水压力下非线性位移时序模型及应用

岩土结构的位移一般是在多种内外因素的共同作用下产生的,而目前模型大多仅考虑时序对岩土结构位移的影响,忽略了外界因素的变化对岩土结构位移的影响。考虑温度、静水压力外界因素的变化对岩土结构位移的影响,提出一种复杂环境影响下的非线性位移时间序列建模方法。该方法用人工神经网络建模取代传统的分析方法,与遗传算法结合,自动确定输入时步长度和神经网络模型结构,建立温度、静水压力等外界因素影响下的非线性位移时间序列模型。例证表明,该模型具有较好的预测与外推预测功能。     

实时视频编码中的低复杂度码率控制算法设计

针对H.264原有码率控制提案中的不足,并考虑到H.264实时编码对编码效率的要求,设计了低复杂度的宏块层码率控制方案.对于图像复杂度的预测,充分挖掘图像的时空相关性,结合运动矢量对MAD进行预测,将G012的MAD预测算法中线性回归的算法复杂度降低为加权平均的算法复杂度.对于率失真模型,采用运算复杂度低的线性拟合代替G0l2算法中的二次拟合,并结合SSIM讨论了这种简化的可能性.针对运动量大的图像编码后PsNR的波动问题,对GOP层初始QP确定和P帧比特分配进行了改进,并充分利用已编码单元信息对当前量化参数进行调整,有效的控制码率.实验证明,改进后的算法对平稳输出序列的PSNR波动和降低运算复杂度有比较好的效果.     

ARIMA模型在有色金属价格预测中的应用

以1959—2010年共52年度的平均结算价格为计算对象,采用时间序列B-J法,建立了铜金属价格预测模型;通过对52年的铜金属价格数据进行平稳化处理和自相关分析,确定了ARIMA(2,1,2)为铜金属价格预测模型,并对预测模型进行了检验;其模型检验结果表明,预测结果总体误差较小,可用于外推预测。将该模型运用于2011—2025年的铜金属价格预测中,预测结果显示,铜金属价格总体呈上升趋势,其中在2012年出现峰值,随后有小幅度回落,以后基本处于小幅度震荡的平稳状态。     

基于中国黄金期货市场数据的GARCH族模型拟合及波动率预测效果评价

本文运用GARCH族模型对我国黄金期货市场波动进行拟合情况,并运用损失函数对GARCH,TGARCH,EGARCH三个模型的波动率预测精度进行比较。实证结果表明,对称的GARCH模型是描述市场波动性给出了很好的描述,能够对投资者,特别是我国黄金生产企业在市场风险度量与预测以及投资决策时有所帮助。     

基于加权组合模型的中国锰矿进口数量预测

为了对中国锰矿进口数量进行有效的预测,将多项式拟合模型、GM(1,1)模型进行线性组合,构建了一种加权组合模型,用于中国锰矿进口数量预测。结果表明:利用加权组合模型得到的预测结果平均相对误差小,并且具有较高的预测精度,从而为锰矿进口数量的预测问题提供了一种有效的研究方法。     

灰色模型在转炉终点温度预测中的应用

以邯钢邯宝炼钢厂转炉历史生产数据为基础,应用小波分析与灰色模型相结合的方法建立了转炉终点温度预测模型,在目前预测方法的基础上提出了一种新的思路。通过MATLAB中的小波变换工具,剔除数据“噪声”后分为趋势数据和波动数据,并以24个炉次为待测样本,利用灰色模型对转炉终点温度进行预测。结果表明,预测误差在[－10, 10]区间的占据95.83%,能够满足生产要求,从而验证了模型的有效性。     

新马尔科夫模型的黄金价格短期预测

对黄金价格建立了ARMA-马尔科夫预测模型,该模型将数据统计特征与灰色理论密切结合。ARMA部分用来揭示预测序列的线性变化趋势,而马尔科夫状态转移概率矩阵用来确定状态转移的规律。实证研究表明,该模型预测精度优于ARMA模型以及灰色马尔科夫模型的预测精度。     

AR-GARCH模型在股票市场的应用

本文介绍了AR-GARCH模型,以及当前国内外的研究情况,并利用此模型对从2003年1月7日到2010年11月19日的上证指数进行实证分析.结果表明,在股票价格序列中普遍存在的尖峰厚尾现象在上证指数中同样存在,还有明显的异方差性,并且AR-GARCH模型可以很好的拟合股指收益率波动情况.     

基于振荡序列的黄金价格动态建模及预测

对黄金价格预测时常采用大样本数据建模方法,该方法首先对数据进行统计分析,找到数据内在统计特征,再寻求符合该特征的模型;但该方法在数据统计分析时受到统计手段和方法的约束,数据本身的内在特征往往不能充分反映,因此模型的选择受到限制。针对黄金价格数据不具有趋势性变化的特征,利用灰色GM(1,1)系统建模理论、数据驱动建模原理及振荡序列的数据处理方法,建立了基于振荡序列的黄金价格动态预测模型。该模型不仅对黄金价格数据自身存在的振荡性进行了处理,避免了数据大波动,同时利用动态数据驱动方法不断更新数据,提高了预测精度。     

黄金矿山地下水水质污染的动态趋势分析

应用灰色系统理论 ,建立了黄金矿山地下水水质污染指标的时间包络模型与空间分布模型。通过预测污染指标的变化趋势 ,为防止污染 ,促进矿山的环境保护和经济协调发展 ,为矿山的持续发展提供良好的资源与环境条件。     

基于小波分解的尾矿坝浸润线预测方法研究

为了准确预测尾矿坝浸润线的位置变化，结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点，利用小波分解与重构，提出基于小波分解的时间序列指数平滑法和BP神经网络法，采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测，并对其拟合结果进行叠加，实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比，结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比，在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。     

基于改进小波-TCN的高炉铁水钒含量预测系统

铁水钒含量作为冶炼钒钛磁铁矿高炉的重要经济指标,对其进行准确预测将对高炉后续提钒增效具有重要生产意义。利用小波-TCN组合时序模型对具有非线性、波动大等特点的高炉铁水钒含量进行预测。首先利用小波变换将原时间序列数据分解成多个噪声段和单个趋势段,然后选用TCN模型对小波变换后的噪声段和趋势段分别进行预测,最后将结果重构得到最终的预测结果。对于选取小波变换层数较复杂的问题,利用赫斯特系数能够表征数据可预测性的特点,提出小波变换后的平均赫斯特系数(公式)用于降低模型建立过程中小波变换层数选取的复杂度,从而改进小波-TCN组合时序模型。结果表明,改进后的预测模型对单一变量预测高效且准确,相对非改进模型运算时间减少150％左右。对于赫斯特系数大于0.5的预测数据,利用改进小波-TCN组合时序模型对铁水钒含量进行预测,预测结果数据的R2达到0.967,均优于LSTM、LSTM with Attention和TCN单一预测模型的预测效果;对铁水硅、硫含量和铁水温度数据进行单变量预测,其R2分别为0.953、0.942和0.933。该预测模型可高效准确地对高炉铁水质量单变量进行预测,并可为高炉冶炼过程中所产生的其他波动较大数据的单变量准确、高效预测提供参考方案。基于预测模型进行预测系统功能应用开发,能使操高炉操作人员直观了解高炉出铁质量各参数状况,对高炉出铁质量数据进行提前掌握,促进高炉稳定顺行。     

基于灰色时序组合模型的基坑监测预测

基坑监测是确保矿山基坑工程安全实施的必要手段,不同模型所监测到的基坑沉降值存在一定的差异,因而如何选择一种有效的组合模型是准确预测未来某一时刻基坑沉降面临的主要问题。本研究将时间序列预测模型与灰色模型相结合（即灰色时序组合预测模型）应用于某深基坑（基坑深5.7~13.7 m）沉降监测数据分析,预测结果准确可靠。同时,与单一模型（如ARIMA和GM（1,1））的预测结果相比,灰色时序组合模型的预测精度更高,所获得的预测结果与实测值最接近,是一种非常有效的基坑预测方法。     

Short-Term Wind Power Forecast Based on ARX Models

Among distributed energy resources, wind power has recently showed great potential and it is being promoted in many countries. The wind power penetration increase and the trend of the wind farms to enter the market, makes necessary the development of new prediction tools. Prediction tools have been fully verified and used for demand forecast and, more recently, to predict the market prices. Among the different prediction methods proposed, the initial and more deeply verified were the statistical ones. In the present work, time series statistical methods are used to explore and assess the achievable improvement over a persistent model. Both autoregressive (AR) models that consider wind power time series and autoregressive with exogenous variable (ARX) models which include wind speed time series are used to carry out the prediction. An analysis of the appropriate parameters for the models is carried out and shows, for different wind farms, comparative results for persistent, AR, and ARX models with 6, 12, and 24?h forecast which can be useful for the day-ahead and hour-ahead electricity markets. The study also includes a comparative analysis of the different wind farms considered both independently and in an aggregated manner. The forecast improvement due to the use of ARX models and to the wind farm aggregation is fully assessed.     

矫直机的自动故障预报技术

由于人们无法充分理解生产设备的行为特性,缺乏有效的预测模型来监测设备劣化的变化趋势,这成为解决故障预报问题的主要障碍。将采用k均值聚类和支持向量机预测方法,实现了对矫直机轧制力状态趋势的预测和故障预报.     

Information Theory and Neural Networks for Managing Uncertainty in Flood Routing

This paper presents an approach for handling uncertainties arising mainly from ignored or misrepresented processes in physically based models. The approach is based on the application of a parallel artificial neural network (ANN) model that uses state variables, input and output data, and previous model errors at specific time steps to predict the errors of a physically based model. Concepts from information theory are used to discover the relationships between the variables and the model errors, which also serves as a mechanism to detect the predictability of the errors. The resulting information is used to select the best related input data for the error prediction model. The error prediction model is then trained and applied to improve the forecasts made by the physically based model. This approach was applied to a routing model of a 70 km reach of the River Wye, United Kingdom. The results demonstrate that errors from the physically based model show a consistent trend governed by some dynamics of their own, which can be modeled with learning algorithms. Errors were forecasted at different lead times. In all cases the forecasts made by the combined application of both models were more accurate than those made by the physically based model alone. From this it was concluded that, along with proper information analysis techniques, the use of ANN models to predict the forecast errors of physically based models can help to improve significantly the prediction and therefore to reduce the associated uncertainty.