非线性混沌时序预测研究及应用

混沌是一种普遍存在的非线性动力学行为，针对混沌时间序列的难以预测和控制的问题，提出了基于趋势的混沌预测模型，利用混沌系统的初值、参数敏感性来微调和控制系统扰动。并用改进的最优化方法来估计模型的参数，在其相空间中对时序的未来值进行预测，算例表明。选取最佳的模型阶数能增加预测的准确程度，它不仅克服了仅用延迟嵌入技术的弊端，也降低了直接使用预测误差决定输入模式的盲目性．预测效果比其它时序方法要好．     

混沌卷积混合信号的预测重构盲反卷积方法

介绍了混沌序列的特性，然后利用混沌的类随机特性和盲信号处理技术，提出了一种针对混沌卷积混合信号的预测重构盲反卷积方法．该方法充分利用了混沌的物理特性，通过对混沌卷积混合信号使用基于直接预测误差分析所构成的混沌滤波器和基于相空间重构动力学系统方程的人工智能补偿技术去进行盲反卷积，从而实现对单输入单输出混沌卷积信号的源信号和传输函数的盲反卷积处理．仿真实验验证了该方法的有效性和可行性。     

结合混沌预测的改进的OGY 控制方法

提出一种结合混沌预测的改进的OGY方法，首先对OGY方法进行了改进，使其可以稳定一个混沌系统到不同的目标点，然后利用混沌的相空间预测算法，得到系统的状态估计值，进而得到控制量，使混沌系统能较快地进入其控制区间。与通常的混沌控制方法相比，该方法大大加快了混沌系统的稳定过程，仿真结果表明，该方法是有效的。     

基于LSSVM的混沌时间序列的多步预测

结合相空间重构理论和统计学习理论，实现混沌时间序列的多步预测．采用擞熵率法求得最优嵌入维数和时延参数，重构系统相空间，用最小二乘支持向量机建立渑沌时间序列的多步预测模型，并与径向基函数网络预测模型比较．结果表明，所建立的模型能够捕捉到原混沌系统的动力学特征．前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差，泛化能力较强．其预测效果较好．     

基于模糊预测器模型的混沌时间序列预测

基于数据挖掘思想，使用兴趣度度量和改进的梯度下降法，提出一种新的、具有自学习能力的模糊方法来建模和预测混沌时间序列．所提方法不仅能同时辨识模糊模型、调整其参数及确定输出空间的最优模糊子集，而且解决了梯度下降法中存在的收敛速度和振荡之间的冲突问题．仿真结果表明新方法是有效的、准确的，它能很好地辨识系统的特征，并且提供了一种混沌时间序列预测的新方法．     

支持向量机在混沌系统预测中的应用*

提出用支持向量机回归方法解决混沌系统预测问题。阐述了支持向量机回归算法,对四阶混沌时间序列进行预测,在此基础上结合城市交通的混沌性,对珠海市迎宾大道的交通流量进行预测。仿真实验表明,支持向量机泛化能力好、学习速度快,对混沌时间序列具有很好的预测效果,对城市交通流量预测也是切实可行的。     

基于遗传算法改进的交通干线信号优化研究

针对城市交通拥挤、道路通行能力低等问题,通过建立城市交通干线系统信号配时模型,设计了一种基于遗传算法改进的混合式优化算法.算法对遗传算法中适应度函数、交叉算子和变异箅子等进行了一些改进,并将混沌优化思想融入改进后的遗传算法中.用混合式优化算法对城市交通干线系统信号进行配时,有效地协调了各路口的信号灯,使交通干线系统的交通量得到了明显改善.仿真结果表明此算法具有较快的收敛速度和进化效率,能有效实现全局优化.     

基于最大李亚普诺夫指数的改进混沌时间序列预测

分析了基于最大李亚普诺夫指数的混沌时间序列预测方法,提出了一种选取重构相空间中的多个邻近参考向量来提高预测精度的改进方法．对洛伦兹混沌系统产生的时间序列进行了预测,结果表明改进方法比原方法的预测精度要高．讨论了噪声和参考邻近点数对预测结果的影响．应用改进方法预测实际的交通流量时间序列的平均相对误差在8%以下,说明了改进方法的有效性．     

基于改进加权一阶局域预测模型的负荷预测方法研究

针对混沌时间序列预测中用加权一阶局域法单步预测模型进行多步预测时计算量大,且存在误差累积效应的不足,本文提出了基于相空间重构技术的加权一阶局域法多步预测模型,通过实际算例分析显示,本文方法较改进前有较好的适应能力和预测精度。     

非线性混沌系统预测模型与仿真研究

主要研究由非线性混沌时序所确定的动力系统的预测方法及其应用，通过改进的最优化方法来估计模型的参数，并在其相空间中对时序的未来值进行预测，实例仿真，发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。     

基于马尔科夫链理论的改进的最大Lyapunov指数混沌预测法

针对很多文献都一直规避的基于最大Lyapunov指数的混沌预测会出现两个预测值的问题,引入马尔科夫链改进最大Lyapunov指数的混沌预测方法。改进的方法将时间序列的斜率作为状态变量,并根据马尔科夫链建立状态转移矩阵,判定预测值演化方向,进而根据混沌动力学系统的演化规律选择最优的预测值。最后利用渝武高速公路的交通流数据进行验证,结果表明了改进算法的可行性和有效性。     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。     

采用LS-SVM计算时间序列的Lyapunov指数谱

为了计算未知系统的Lyapunov指数谱,首先,对一维观测数据序列进行相空间重构,然后,利用最小二乘支持向量机（LS-SVM）逼近重构系统的动力学方程,再通过雅克比矩阵计算Lyapunov指数谱。采用提出的方法计算Henon映射的Lyapunov指数谱,可以得到精确的计算结果且需要的序列步长小于1 000。计算了实测不同状态的交通流时间序列的Lyapunov指数谱。结果表明：在拥挤状态下,有多个Lyapunov指数大于零,说明系统是超混沌的;在同步状态下,有一个或多个Lyapunov指数大于零,说明系统是混沌的或超混沌的;在堵塞状态下,Lyapunov指数全小于零,说明系统不是混沌的。     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting

Electricity demand forecasting plays an important role in electric power systems planning. In this paper, nonlinear time series modeling technique is applied to analyze electricity demand. Firstly, the phase space, which describes the evolution of the behavior of a nonlinear system, is reconstructed using the delay embedding theorem. Secondly, the largest Lyapunov exponent forecasting method (LLEF) is employed to make a prediction of the chaotic time series. In order to overcome the limitation of LLEF, a weighted largest Lyapunov exponent forecasting method (WLLEF) is proposed to improve the prediction accuracy. The particle swarm optimization algorithm (PSO) is used to determine the optimal weight parameters of WLLEF. The trend adjustment technique is used to take into account the seasonal effects in the data set for improving the forecasting precision of WLLEF. A simulation is performed using a data set that was collected from the grid of New South Wales, Australia during May 14–18, 2007. The results show that chaotic characteristics obviously exist in electricity demand series and the proposed prediction model can effectively predict the electricity demand. The mean absolute relative error of the new prediction model is 2.48%, which is lower than the forecasting errors of existing methods.     

基于历史频繁模式的交通流预测算法

针对目前交通流预测模型复杂、不支持中长期预测的问题,提出了基于历史频繁模式的交通流预测算法,通过挖掘交通流的历史频繁模式,结合实时交通信息进行交通流预测.使用真实路网获取的浮动车数据进行实验,结果表明该算法支持交通流短时、中长期预测,且中长期预测与短时预测具有同样高的预测精度,受参数影响小.与基于K近邻的非参数回归方法进行比较,结果表明基于历史频繁模式的预测算法的预测性能更稳定,预测误差波动更小.     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

Long-term Traffic Volume Prediction Based on K-means Gaussian Interval Type-2 Fuzzy Sets

This paper uses Gaussian interval type-2 fuzzy set theory on historical traffic volume data processing to obtain a 24- hour prediction of traffic volume with high precision. A K-means clustering method is used in this paper to get 5 minutes traffic volume variation as input data for the Gaussian interval type-2 fuzzy sets which can reflect the distribution of historical traffic volume in one statistical period. Moreover, the cluster with the largest collection of data obtained by K-means clustering method is calculated to get the key parameters of type-2 fuzzy sets, mean and standard deviation of the Gaussian membership function. Using the range of data as the input of Gaussian interval type-2 fuzzy sets leads to the range of traffic volume forecasting output with the ability of describing the possible range of the traffic volume as well as the traffic volume prediction data with high accuracy. The simulation results show that the average relative error is reduced to 8% based on the combined K-means Gaussian interval type-2 fuzzy sets forecasting method. The fluctuation range in terms of an upper and a lower forecasting traffic volume completely envelopes the actual traffic volume and reproduces the fluctuation range of traffic flow.