基于奇异谱分析的机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重。针对机场噪声时间序列预测问题,提出了一种基于奇异谱分析的噪声序列预测模型,即将机场噪声时间序列按照奇异谱分析预测的方法进行奇异值分解,得到主分量和经验正交函数,分析其趋势和振动的特点,然后选择适当的特征向量进行序列重构,通过线性重复公式建立预测模型。在此基础上,提出通过状态转移矩阵确定残差偏离方向,并根据残差的偏离方向和贡献率将重构模型忽略的次要成分计算进去,进而对预测值进行修正。在某机场实测数据中的应用表明,该方法的准确度明显优于已有SSA预测方法。     

基于立方分解模型的机场噪声预测方法磁

机场噪声影响已成为阻碍机场发展的重要问题,而机场噪声实时预测是机场噪声研究的一个重要方面,对机场噪声监测及机场噪声影响规律的研究有着重要意义。由于机场噪声实时预测问题可以形式化为矩阵填充问题,论文首先使用协同过滤算法中的矩阵分解模型进行求解,然后根据机场噪声的影响因素的数据特征,提出了一种基于立方分解模型的机场噪声预测方法。通过实验表明,与矩阵分解模型相比,基于立方分解模型的机场噪声预测方法预测精度有了很大提高。     

聚类再回归方法在机场噪声时间序列预测中的应用

对于机场噪声的预测,针对绘制等值线方法预测成本高和误差较大的缺点,以及分类再回归 方法中分类时缺乏可指导性标准的问题,本文提出了基于支持向量机的先聚类、再回归的时间序列的预测方法。对机场噪声时间序列的先聚类再回归方法,采用常用k均值划分算法,利用聚类特点,将样本限定在同一类的范围内,再对同类样本进行回归预测。Housing及Laser generated data数据集上的实验表明,采用先聚类再回归方法得到的拟合值比直接回归方法得到的拟合值要精确。将该方法应用到北京某机场实测数据中,并与其他预测模型进行对比,准确度明显优于其他预测方法。     

基于RBF神经网络的非线性时间序列在线预测

针对非线性非高斯时间序列, 提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络(RBF-HMM)预测模型, 其特点在于模型输入包含误差反馈项、RBF网络隐含层节点数的可变性和观测噪声的隐马尔可夫性; 并采用序列蒙特卡罗(SMC)方法实现基于RBF-HMM模型的时间序列在线预测. 最后采用太阳黑子数平滑月均值数据和CRU国际钢材价格指数月数据进行实证研究, 结果表明该模型的有效性.     

最小二乘支持向量机在混沌时间序列中的应用

针对混沌时间序列存在噪声和不稳定性问题,混沌时间序列预测是当前的一个热点问题.根据当前预测方法预测精度低的难题,提出一种优化的混沌时间序列预测方法(GA_LSSVM).GA_LSSVM首先采用相空间重构对时间序列样本进行重构,采用遗传算法对最小二乘支持向量机参数进行优化,得到混沌时间序列的最优预测模型,最后以经典时间序列Lorenz数据对最优模型进行仿真测试和分析.实验结果表明,GA_LSSVM比神经网络的预测精度高.GA_LSSVM方法是一种可行的、有效的混沌时间序列预测算法,在混沌时间序列具有广泛的应用前景,可为应用提供科学依据.     

滑动窗口二次自回归模型预测非线性时间序列

提出一种新颖的非线性时间序列预测模型 ,即滑动窗口二次自回归 (MWDAR)模型 .MWDAR模型使用部分的历史数据及其二次项构造自回归模型 .模型参数用线性最小二乘法估计 .应用模型进行预测时 ,预先选定窗口大小以及模型一次项和二次项的阶次 .在每个当前时刻 ,先根据窗口内的数据估计模型参数 ,然后根据输入向量及模型参数做出预测 .这种预测方法不仅适合小数据集的时间序列预测 ,而且对大数据集具有极高的计算效率 .该文分别用H啨ｎｏｎ混沌时间序列数据和真实的股票交易数据作了ＭＷＤＡＲ方法与局域线性化方法的 1步和多步预测对比 ,结果显示MWDAR方法无论在预测精度上 ,还是在计算效率上都优于局域线性化方法 .     

一种平稳化短时交通流预测方法

支持向量机回归模型是以预测噪声具有对称性概率分布为假设条件,而实际的短时交通流数据序列具有非平稳特征,这就使得在采用支持向量机回归模型进行短时交通流预测时,难以保证预测噪声的对称性概率分布,从而会影响到预测精度.针对上述问题,在证明支持向量机回归模型对平稳时间序列的预测噪声具有对称性概率分布的基础上,分别针对平稳化和未平稳化的短时交通流观测序列进行了仿真预测,并对预测结果进行了比对分析.分析结果表明,采用平稳化短时交通流预测方法可将预测的均方根误差降低约21.6％,绝对值误差降低约21.3％,相对误差降低约17.3％,仿真结果验证了所提方法的有效性.     

基于RELM的时间序列数据加权集成分类方法

时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域.为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法.首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪...     

综采工作面瓦斯数据时间序列预测方法研究

针对现有基于时间序列的瓦斯浓度预测方法存在算法复杂、预测步长较短等问题,根据瓦斯浓度历史监测数据的随机性与时序性,提出了一种基于ARIMA+GARCH组合模型的综采工作面瓦斯数据时间序列预测方法。首先建立ARIMA预测模型,对瓦斯浓度数据进行平稳化处理,并确定模型的参数估计;然后在预测模型的可靠性通过检验后,针对ARIMA模型在预测过程中存在的均值回归问题,采用GARCH模型模拟ARIMA产生的拟合残差,并将模拟出的结果作为ARIMA模型中预测的噪声项,以此优化预测结果。测试结果表明,基于ARIMA+GARCH组合模型的瓦斯浓度预测方法能够反映瓦斯浓度真实值的变化趋势,平均绝对误差、相对百分误差绝对值、标准差、均方误差4项判断指标都很小,具有较高的预测精度。     

利用小波分解的时间序列云量预测方法

针对传统模型对高分辨率云量时间序列数据适用性差、拟合效果较差以及预测结果准确度低的问题,提出了一种基于小波分解的云量时间序列组合模型预测方法。该方法可以有效提取高分辨率云量时间序列数据的低频趋势序列信息和高频随机序列信息,利用波动特征与随机项扰动纠正,对未来一段时期的云量分布进行预测。试验结果表明,该预测方法改进了传统方法对高分辨率数据适用性较差的问题,能够较为准确地拟合时间序列数据的变化规律,提高了预测准确度,为较长周期的卫星成像数据的选取提供重要的参考依据。     

带CAN总线的汽车仪表总程

本文从硬件和软件二方面,结合一个带CAN接口的强单片机PIC18F458,从实际工程应用角度来阐述一个较复杂的仪表系统工程的实现.其中较系统的介绍了PIC18f458单片机系统外围电路,单片机系统与步进仪表电机接口、与液晶显示模块接口、与小键盘扩展接口尤其重要的是单片机CAN通信软、硬件接口等五个部分.     

用进化策略和神经网络求解参数线性规划

针对LPCθBθ类的参数线性规划求最优解问题,利用 (1+1)-ES 来训练参数θ,结合Hopfield 神经网络算法对其求解,再采用精英保留策略找出最优解.计算机仿真结果表明,提出的方法是有效和可行的.     

基于残差分析的GM(1,1)模型有效性研究

GM(1,1)模型是处理贫信息数据序列的有效工具,也是灰色理论体系中应用广泛、具有基础性地位的一类重要模型.从一个新的视角-残差的角度,对该模型的有效性和使用范围进行分析.结果表明,GM(1,1)除了对指数衰减趋0的序列实现+∞上的拟合外,对算术级数序列和指数增加的序列拟合效果不佳,残差分布是不均匀的,且有不断扩大的趋势.     

基于粒子群算法的灰色模型在电力负荷预测中的应用

运用灰色系统理论,建立巢湖地区全社会用电量的GM（1,1）预测模型,并运用粒子群算法对模型参数进行优化,从根本上克服误差。结果表明,应用此修正模型进行预测研究,精度很高,具有一定的应用价值。     

基于灰色补偿的浮选过程回收率预测模型

针对目前尚无某金属浮选过程回收率预测模型的现状,以矿物浮选过程作为研究对象,以矿浆的动力学模型作为建模主体,在动力学模型的基础上采用灰色理论GM(1,1)建立一个残差补偿模型.利用前时刻实际回收率与预测回收率之间的偏差预估后时刻的偏差,将此偏差与动力学模型预测的回收率输出并联求和,对根据动力学原理建立的机理模型进行偏差补偿,得到一个集成模型.通过仿真检验,模型能够准确地预测浮选的回收率,达到满意的效果,为浮选过程仿真软件的开发提供了有力的参考.     

灰色理论及神经网络在就业预测中的应用研究

介绍GM(1,1)模型和BP神经网络模型的预测原理,同时提出了灰色神经网络模型,并将相应模型用于就业预测,研究发现灰色神经网络模型具有较高精度与较高速度.     

资源灰预测的反馈任务调度算法

为了达到网格环境下任务调度时的负载平衡,针对此环境下的资源的自治性、异构性和分布性等特性,利用改进的灰预测模型GM(1,1)预测方法,设计了资源实时预测模型,可在较小的开销下取得满意的负载平衡。基于该模型的资源灰预测反馈任务调度算法RGP-FB是把资源预测融入到网格环境下的任务调度策略中,从而使系统调度的综合效率提高。仿真实验证明了该算法的合理性和有效性。     

基于灰色理论的车辆分类统计与流量预测

在灰色理论基础上提出了一种自动车型识别与流量预测技术。该技术实现可分为三个步骤：第一步,测量车辆的三维信息,获得车辆的长、宽、高度特征;第二步,利用灰色关联分析对车辆进行分类识别;第三步,建立一阶单变量车辆预测模型即GM（1,1）,用于有关部门统计指标的预测。实验表明,该方法在车型识别中,具有比较高的识别精度,而灰色预测模型较传统的预测方法更具科学性与实用性。     

第三方物流中货物需求量的灰色模型预测及应用

针对第三方物流系统中的各种资源利用率不高而导致的高成本、低收益等问题,提出了通过对货物需求量进行预测来提前对各种资源作合理的安排,从而提高物流企业效率的想法。由于物流企业及其货物历史数据较少,而灰色理论预测对于原始数据需求量也较少,因此采用GM(1,1)模型来进行年和月需求量的预测。通过实例并与其它算法进行比较分析,验证了该算法在物流需求量预测中的可行性。文章最后给出了该算法在杭州富日物流公司的智能信息协作平台上的应用示例。     

基于神经网络和灰色模型的非线性预估

以某己内酰胺厂磷酸羟胺(HPO)的制备的现场数据为基础,利用贝叶斯正则化神经网络和灰色模型建立了磷酸羟胺中的H+浓度的预测模型;比较了神经网络和灰色模型的差异,并把两者结合起来,建立模型进行预测。最后验证了用神经网络和灰色模型相结合建立起来的磷酸羟胺模型可以迅速有效的预测信息,从而为实现质量指标的实时预估和获取专家系统知识奠定了基础。