GPRS小区流量预测中时序模型的比较研究

针对通用无线分组业务(GPRS)小区流量预测问题,对几种典型时序预测模型的性能进行了综合分析。在总结时序预测模型使用步骤的基础上,分析了自回归（AR）、自回归移动平均（ARIMA）和乘积季节自回归求和移动平均（ARIMA）模型的性能。首先,对GPRS小区流量的变化情况进行分析;再根据流量的自相关系数和偏相关系数,从不同的角度进行分析,分别得到了流量变化的AR模型和ARMA模型;进而利用小区流量以天为周期变化的特点,得到了流量变化的乘积季节ARIMA模型。最后根据GPRS小区历史流量数据,应用这三种模型预测将来某一时间的流量,并对模型性能进行比较研究。     

灰色理论与时序模型的发动机状态监测分析

针对目前发动机磨损状态监测中磨粒数量预测方法存在的问题,提出了基于灰色理论与时序模型相结合的预测方法,建立了灰色时序组合模型.通过灰色GM（1,1）模型模拟数据宏观变化趋势,并用时序AR（P）模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型在发动机状态监测中具有更好的预报效果.     

基于粒子滤波的陀螺漂移TVAR模型参数跟踪

在分析陀螺漂移信号的TVAR时变自回归模型及其模型参数的随机演化模型的基础上,基于粒子滤波器对TVAR模型参数做序列估计,提出粒子滤波的陀螺信号漂移估计算法.实验结果表明,算法可以很好地跟踪非平稳信号,采用该方法预测带嗓的陀螺漂移信号精度有明显提高.     

基于AR模型的动态模糊聚类算法

与传统的硬划分聚类相比,模糊聚类算法(以FCM为例)对数据的比例变化具有鲁棒性,能够更准确地反映数据点与类中心的实际关系,目前已得到广泛应用.然而对于时序基因表达数据来说,传统的聚类算法往往不能充分利用到数据中时间上的动态关联信息.因此可以在模糊聚类算法的基础上引入自回归(AR)模型,将时序基因表达数据作为一组时间序列进行动态的聚类分析.这样不仅可以充分利用到时序基因表达数据的内部自相关性,并且可以进一步利用隶属度函数对AR模型的预测过程进行模糊化调整,从而得到更为理想的聚类结果.     

基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。     

ARIMA模型在期货交易预测中的应用研究

求和自回归移动平均模型(ARIMA)在非平稳时序序列预测中有良好的效果,文章通过对原始数据进行简单平稳处理,在一定程度上达到减小预测误差,提高预测精度的目标。     

基于选择性集成ARMA组合模型的零售业销量预测

准确预测商品销量的走向对零售企业具有重要意义,构建自回归移动平均模型(ARMA模型,Auto-Regressive and Moving Average Model)对零售商品时序销量数据进行预测分析。传统ARMA模型无法准确描述商品销量中同时存在的非平稳非线性特征。论文分别采用支持向量回归(SVR,Support Vector Regression)方法和极限学习机(ELM,Extreme Learning Machine)方法,对时序模型中非线性误差进行预测并进行误差补偿,提高了商品销量的预测精度。提出了遗传优化的选择性集成定阶方法,用以简化ARMA模型的复杂定阶过程,降低了对数据平稳性程度要求。论文收集了某电商平台商品销量数据,对ARMA、选择性集成ARMA、ARMA-SVR、ARMA-ELM四种预测模型的性能进行了对比分析,结果表明,选择性集成ARMA模型预测精度在平稳和非平稳时序数据下分别提高23.58%和41.28%。组合模型相比仅采用线性平稳时序模型的预测结果更符合实际,其中,ARMA-SVR模型在小样本、非平稳时序下预测精度比ARMA-ELM模型高出约三分之一。     

基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

基于时序分析的电网合并单元电平预测

合并单元设备监控依赖于现场工作人员记录、实践经验以及预设告警阈值，缺少对系统监视数据的分析和挖掘，不能实现设备状态预测。鉴于此，根据监视合并单元电平数据的时序性特征，将传统时序模型差分整合移动平均自回归（Autoregressive integrated moving average， ARIMA）和长短期记忆网络（Long short-term memory， LSTM）构建组合模型，并采用蛙跳算法 （Shuffled frog leaping algorithm， SFLA） 进行模型优化。优化后的模型应用在合并单元激光器监视的电平数据预测分析，将ARIMA-LSTM优化组合模型和单一模型进行对比，验证了组合模型比单一模型具有更高的准确度。进一步和其他组合模型做对比实验，实验结果表明，组合模型经过SFLA优化后均优于其他组合模型，能够更好挖掘数据中的隐藏信息和趋势，提高时序数据预测精度和故障排查效率。将SFLA优化的组合ARIMA-SVM模型和ARIMA-LSTM模型对比，实验结果表明，所提出的ARIMA-LSTM模型优于ARIMA-SVM模型，可以更好地分析和掌握设备状态信息，实现对合并单元设备的电平数据预测。     

一种时序数据的离群数据挖掘新方法及其应用

在许多数据挖掘应用中,例外情况或者离群点的监测比常规知识的发现更有意义。文章在自回归AR(p)模型和统计诊断的基础上,建立了一种时序数据的离群点检测模型。并将该模型的应用于海表水温的预测,建立海表水温的时间序列预测模型,动态地掌握海洋的变化规律,并且利用该模型可以得到海表水温的异常之处,从而为厄尔尼诺年的预测提供了良好的方法。实验结果表明AR模型及相应的score检验可以较好地用于时序数据的离群数据挖掘问题。     

舰船水压信号的预测方法研究

提出了一种能从海浪水压信号背景下提取舰船水压信号的预测异常检测(PAD)法。模型预测值与测量值相比较所得的差值被作为检测舰船水压信号是否存在的判据。讨论了作为PAD中预测模型的线性的自回归(AR)模型和非线性的神经网络(NN)模型，并用模拟数据和实测数据对二者进行了比较。仿真结果表明，PAD效果良好，预测模型中，NN模型要优于AR模型。     

改进的自回归AR（p）预测模型在WSN中的应用

自回归AR（p）预测模型是无线传感网络（WSN）中一种减少数据传输次数和降低能量消耗的方法。针对AR（p）模型在建模过程中忽略了不同时期的历史数据对预测值的影响存在的差异,导致模型预测精度不高、网络通信频率受影响的问题,提出了一种改进的预测模型FAR（p）。在AR（p）模型中引入一种新的模糊隶属度函数,通过模糊隶属度函数对预测模型的每个历史数据赋予权值,实现历史数据“重近轻远”的预测效果,并经二次加权平均算法处理后重新构建预测模型。仿真结果表明,改进的预测模型有效地提高了模型预测精度,减少了传感网络中数据传输次数,降低了能量消耗。     

改进模糊自回归模型在预测网络接通率中的应用

针对通信网络中性能指标预测的需要,提出了基于改进的模糊自回归模型的接通率预测方法,研究了拟合度门限自适应的模糊自回归模型。将中值滤波应用于模糊自回归模型的数据预处理中,在此基础上,针对部分应用拟合度门限不明确的特点,将拟合度门限计算式加入预测模型中,实现模型拟合度门限的自适应。仿真实验表明：基于Fuzzy AR模型的预测方法可以用于对接通率的预测,预测结果拟合度较高。     

基于隐马尔可夫模型的陀螺仪漂移预测

针对陀螺仪实验数据的有限性和非平稳性,提出了基于自回归(AR)模型和隐马尔科夫模型(HMM)的陀螺漂移预测方法。首先利用AR模型参数能够敏感状态变化规律的特性,提取陀螺漂移数据的自回归系数作为特征量;然后对具有混合高斯输出的HMM进行训练;最后对陀螺仪的状态进行加权预测,改进了趋势预测的方法,解决了陀螺漂移在小样本数据条件下的预测问题。实验分析了加权模型阶数和HMM状态数对陀螺漂移预测结果的影响,并验证了预测方法的有效性。     

基于映射矩阵的网络流量分析预测模型

通过对用户行为分析,发现IP数据流具有平稳性、自相关性等特点,提出基于映射矩阵流量预测模型,并与线性模型AR、ARIMA和非线性基于反馈神经网络BP模型、Elman神经网络作对比,试验结果证明,映射矩阵模型,比现有模型具有预测精度高、收敛快等特点。     

基于前后向线性预测的时变参数估计方法研究

在基时间函数展开理论基础上,通过同时引入非平稳信号的前向线性预测和后向线性预测来估计模型的时变系数,提出了一种新的时变参数建模方法,有效地克服了现有方法对瞬时频率估计的滞后问题和无法准确估计初始时刻值的困难;仿真试验证明,在相同阶次和基函数维数条件下,该方法对非平稳信号瞬时频率的估计效果要优于现有的方法。     

基于AR模型与神经网络预测互联网时延

在分析了互联网传输时延的组成和特性后,提出了采用AR模型和自适应线性神经网络模型预测不确定性的互联网传输时延的方法。仿真结果证明AR模型和自适应线性神经网络模型提供了两种有前途的互联网时延预测方法,相比于AR模型,自适应线性神经网络有更好的预测效果。     

灰预测与时间序列模型在航天器故障预测中的应用

灰预测是灰色系统理论的重要组成部分,已成功应用于若干领域的预测;时间序列分析是定量预测方法之一;研究了利用以灰预测模型为基础,建立的残差灰预测模型和AR时间序列模型对航天器故障状态进行预测的方法;首先分析了灰预测模型以及残差灰色预测模型的建立过程,之后分析了AR时间序列模型的建立过程;然后利用所建立的模型进行航天器故障状态的预测,给出预测结果;研究表明,残差灰预测模型预测误差比基本灰模型降低,在特定的数据特征条件下也要优于AR时间序列模型.     

改进的自动回归网格主机负载预测模型

网格计算中对资源的有效预测能很好的改进任务分配和作业调度的策略，提高它们的执行效率，作为网格资源预测的核心？主机负载的预测显得尤为重要。文中提出了一种基于AR改进的主机负载预测模型，它不仅具有AR模型本身的计算成本小、预测性能稳定的优点，还对AR模型只对未来某个固定时间段的负载预测进行了改进，使之能根据作业的预测执行时间进行主机负载动态预测，同时该改进模型还充分体现了主机负载变化的自相似性和长期依赖性，实验结果表明，该模型达到了预期的效果。     

卫星姿控系统基于模糊基函数网络与自回归模型的故障预测

针对卫星姿态控制系统的故障预测问题,给出了模糊基函数网络(FBFN)与自回归模型(AR)相结合的故障预测方法,并提出了预测置信因子的概念,对故障预测的准确性进行评价.首先利用卫星正常运行时的姿态数据训练FBFN,将训练好的FBFN作为卫星姿控系统的标准输出模型;然后把卫星实时姿态数据与FBFN输出数据之间的差值作为残差...