基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

基于相空间重构的自适应残差修正支持向量回归预测算法

针对模拟电路故障预测存在的非线性时间序列预测问题和传统支持向量回归（SVR）多步预测时出现的误差累积问题,提出了一种基于相空间重构的自适应残差修正SVR预测算法。首先,分析了SVR多步预测方法对时间序列趋势预测的意义和多步预测导致的误差积累问题;其次,将相空间重构技术引入SVR预测中,对表征模拟电路状态的时间序列进行相空间重构,并进而进行SVR预测;然后,在对多步预测过程中产生的误差累积序列进行二次SVR预测的基础上,实现对初始预测误差的自适应修正;最后,对所提算法进行了预测仿真验证。仿真验证和模拟电路的健康度预测实验结果表明,所提算法能有效降低多步预测导致的误差积累,显著提高回归估计精度,更好地预测模拟电路状态的变化趋势。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

基于EEMD-SVR模型的光伏功率预测

受天气因素的影响,光伏出力具有较强的不确定性和波动性,导致光伏功率的预测难度较大。针对光伏功率的预测问题,提出一种集合经验模态分解（EEMD）和支持向量回归（SVR）模型的预测方法。首先,对光伏功率进行集合经验模态分解,将光伏功率信号分解为多个特征模态分量以及一个残余分量;其次,使用SVR模型训练数据,实现分量预测;最后,结合预测分量预测光伏功率。结果表明,该模型可以实现对非平稳序列的可靠分解,并能有效提高光伏预测的平均绝对百分比误差（MAPE）性能。     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数，并提出一种基于核主成分分析的非线性时间序列相空间重构方法，针对时间序列的时序特征，采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明，与通常的基于普通支持向量回归的建模方法相比，该文所提出的预测建模方法具有较高的精度，说明所提方法对非线性时间序列的预测建模是有效的。     

面向动态导航系统的短时交通流SVR预测方法

短时交通流预测是动态导航系统中的重要技术,本文从城市道路交通流系统的高度复杂性特点出发,研究基于支持向量回归的短时交通流预测方法.通过分析动态导航系统对短时交通流预测的实时性、准确性要求,提出对交通流时间序列进行归一化处理,并通过相空间重构技术确定输入输出样本点集合,利用支持向量回归机建立输入输出间的函数关系以此作为预测模型.本文实例验证了基于相空间重构SVR预测方法的有效性.     

相空间重构-最小二乘支持向量机用于间歇过程变量在线预报

时间序列预测技术可实现过程参数未来变化趋势的早期预报,从而为分析判断工况是否正常、确定转入下一工序的时机提供依据.针对间歇过程数据长度短、非线性、动态、不同批次数据不等长等特点,提出了一种基于相空间重构-最小二乘支持向量机的非线性时间序列预测方法.首先将多批次数据随机的拼接组成长数据向量,差分处理后采用相空间重构关联积分C-C方法计算该序列的延迟时间τ和嵌入维数m,从而构建训练集和检验集,然后采用最小二乘支持向量机算法建立预测模型.对某间歇蒸馏过程上升气温度建立的5步预测模型可用于生产现场的在线预报.     

基于EMD和SVR的混合智能预测模型及实证研究

针对非平稳、非线性时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出一种新的基于经验模式分解和支持向量回归的混合智能预测模型。经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,对各预测分量进行加权组合,得到原始序列的准确预测值。实证研究表明对于非平稳、非线性时间序列的预测,不论是单步预测还是多步预测,该模型均能取得很好的预测效果。     

基于相关向量机的MEMS陀螺仪随机漂移补偿

提出了一种基于相关向量机的MEMS陀螺仪随机漂移预测方法。针对MEMS陀螺仪随机漂移误差的非线性、不确定性等特点,建立了相关向量机预测模型,并采用EM算法获得模型的参数。针对随机漂移的混沌特性,利用相空间重构技术,将重构后的漂移序列作为输入变量进行模型的训练和预测。训练和测试结果均表明,该方法具有很好的预测效果,优于常用的时间序列分析法和支持向量机法。利用预测结果对随机漂移进行补偿,有效地提高了陀螺的使用精度。     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。     

基于EEMD和萤火虫算法优化SVM的溶解氧预测

养殖池塘中的溶解氧(DO)对水产品的生长和品质有着至关重要的作用。为了提高溶解氧预测的准确性和有效性,提出了一种基于集合经验模态分解(EEMD)和萤火虫算法(FA)优化支持向量机(SVM)的组合预测模型。首先,将DO时间序列通过集合经验模态分解为一组去除噪声的并相对稳定的子序列。接着,利用相空间重构(PSR)重建分解子序列,在相空间中用SVM对各子序列进行建模预测。然后,利用萤火虫算法对SVM的参数进行优化,建立基于SVM的预测模型,最后得到原始DO序列的预测值。为了获得未来24小时的预测结果,采用单点迭代法实现多步预测。仿真结果表明,所提出的EEMD-FA-SVM组合预测模型比FA-SVM、EEMD-FA-BP和EEMD-PSO-SVM等模型具有更好的预测效果,能够满足现代渔业养殖水质精细化管理的高需求。     

基于经验模态分解的混合软件可靠性预测模型

基于经验模态分解结合支持向量回归算法与灰色系统理论提出一种混合软件可靠性预测模型,通过对原始软件失效数据使用经验模态分解方法进行预处理,将失效数据分解得到不同频段的本征模态分量和剩余分量,用支持向量回归算法对本征模态分量进行预测,用灰色系统模型GM（1,1）对剩余分量进行预测,然后将预测结果进行重构,得到最终软件可靠性预测值。为了验证所提混合预测模型的有效性,利用两组真实软件失效数据,与SVR可靠性预测模型和GM（1,1）可靠性预测模型进行实验对比分析,实验结果表明,所提混合预测模型较这两种可靠性预测模型具有更精确的预测精度。     

基于EEMD与DSS-ApEn的脑电信号消噪方法

为了在消除信号中噪声的同时尽可能保留有效信息,提出了一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)和降噪源分离(De-noising Source Separation, DSS)与近似熵(Approximate Entropy, ApEn)相结合的脑电信号消噪方法。利用EEMD分解算法将含噪脑电信号分解为若干个内蕴模态函数(Intrinsic Mode Functions, IMF)分量,滤除最高频分量后的IMF分量应用DSS分离出各独立源信号,再选择频谱近似熵最大的独立源信号作为去噪信号。仿真和真实脑电信号的消噪实验表明,与独立EEMD消噪方法以及基于EEMD与改进提升小波消噪方法相比,本文提出的方法消噪效果更好。     

集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

一种基于EEMD域统计模型的话音激活检测算法

该文提出了一种基于EEMD域统计模型的话音激活检测算法。算法首先利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对带噪语音进行分解,得到信号的本征模式函数(Intrinsic Mode Function,IMF)分量,选择与原信号的相关性最高的两个分量相加组成主分量;然后对主分量进行频域分解,引入统计模型,求出EEMD域特征参数;最后利用噪声与语音的EEMD域特征参数的不同来进行语音激活检测。实验结果表明,在不同信噪比情况下,本文算法性能优于目前常用的 VAD算法,特别在噪声强度大时体现出明显的优势。