一种新的统计预测模型——多项式系数自回归模型

传统的自回归滑动平均模型（ARMA）和新近出现的函数系数自回归模型（FAR）不能满足非线性时间序列预测分析的准确度与运算速度要求,为了改进预测性能,研究提出了一种新的统计预测模型——多项式系数自回归模型（PCAR）。给出了PCAR模型的表示形式,详细探讨了PCAR模型的参数估计和阶次选择方法,在此基础上又提出了基于BIC准则的建模算法。同ARMA模型相比,PCAR模型扩大了适用对象范围,有效降低了模型选择误差;同FAR模型相比,它具有参数模型的特点,避免了系数函数局部线性回归估计所存在的不足;分析了PCAR模型与ARMA、FAR模型的等价条件。通过实验分析得出了PCAR模型较ARMA、FAR模型的单步预测准确度分别提高了99.65%和18.7%的结论,而且PCAR建模运算所需时间仅为FAR模型的0.2%。     

基于奇异值分解的雷达性能组合预测方法

对雷达实施健康管理过程中,预测是重要的功能环节。雷达的性能参数监测序列反映其健康状态,在对其进行建模预测过程中,单一模型难以满足预测准确度要求。为了提高预测准确度,需选用与雷达失效机理相适应的模型。在自回归模型、径向基函数神经网络和奇异值滤波算法的基础上,提出了一种联合两类模型的最优化组合预测方法,将奇异值分解滤波恰当地应用于辨识雷达性能的非同源影响因素并对雷达性能监测序列进行最优拆分。仿真结果表明,该方法相较于单一模型预测和传统的组合预测算法,预测准确度指标提升至少一个数量级。     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法，将流量数据构成的原始序列进行小波分解，并将分解得到的近似部分和各细节部分分别单支重构到原级别上；对各个重构后的序列建立自回归模型，由所拟合的模型分别进行预测；结合各个重构后序列的预测结果，可以得到对原始序列的预测结果。实验结果表明，这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

基于二次分解重构策略的航空客流需求预测

考虑到航空客流需求序列的季节性、非线性和非平稳等特点,提出了一个基于二次分解重构策略的航空客流需求预测模型。首先,通过STL和自适应噪声互补集成经验模态分解（CEEMDAN）方法对航空客流需求序列进行二次分解,并根据数据复杂度和相关度的特征分析结果进行分量重构;然后,采用模型匹配策略分别选取自回归单整移动平均季节（SARIMA）、自回归单整移动平均（ARIMA）、核极限学习机（KELM）和双向长短期记忆（BiLSTM）网络模型对各重构分量进行预测,其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计（ATPE）算法确定;最后,将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验,实验结果表明,与一次分解集成模型STL-SAAB相比,所提模型的均方根误差（RMSE）提升了14.98%~60.72%。可见以“分而治之”思想为指导,所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律,从而为科学预判航空客流需求变化趋势提供了新思路。     

基于时间序列分解的交通流量预测模型

短时交通流预测不仅与历史数据相关，而且也受相邻区域交通情况影响。针对传统时间序列分解（TSD）模型忽略交通流的趋势性和空间相关性的问题，提出了基于时间序列分解与时空特征（TSD-ST）结合的时间序列处理模型。首先，利用经验模态分解（EMD）和离散傅里叶变换（DFT）得到趋势分量和周期分量，利用互信息（MI）算法挖掘波动分量的时空（ST）相关性，并以此为根据重构状态向量；随后，通过长短期记忆（LSTM）网络利用状态向量对波动分量进行预测；最后，将序列的3部分的预测结果重构，得到最终预测值。利用美国华盛顿州I090号州际公路的真实数据验证模型的有效性。实验结果表明，与支持向量回归（SVR）、梯度提升回归树（GBRT）、LSTM相比，所提模型的均方根误差（RMSE）分别降低了16.5%、34.0%和36.6%。由此可见，所提模型在提升预测精度方面十分有效。     

集成FM的短视频喜好率预测模型

短视频喜好率预测往往面临着用户及广告的数量巨大且训练数据集高维、稀疏等问题，从而导致预测准确度下降。针对这些问题提出了基于LDA-GBDT-FM的短视频喜好率预测模型，该模型利用隐狄利克雷分配模型（LDA）对原始数据集基于主题分割，利用梯度提升决策树（GBDT）对不同主题的子训练集提取连续型特征的高影响力特征，将其与离散特征合并来训练因子分解机（FM）模型，最后有效组合子模型，进而预测短视频的喜好率。实验基于Bytedance公司的数据集，实验结果表明，提出的LDA-GBDT-FM模型相较于LDA-FM、FM和LR在预测指标上分别提高了3.0%、5.7%和8.5%。     

基于模型过滤的多任务回归在帕金森症预测中的应用

传统基于语音的帕金森症（PD）病情预测方法则是分别预测运动症状评分（motor-UPDRS）和总体症状评分（total-UPDRS）。为解决在单任务预测过程中,传统方法无法利用任务之间的共享信息和预测性能不佳的问题,提出了一种基于模型过滤的多任务回归方法来预测帕金森症患者的motor-UPDRS和total-UPDRS。首先,考虑到子任务语音特征对预测motor-UPDRS和total-UPDRS不同的影响,添加L1正则化项进行特征选择;其次,在构建模型的同时,根据不同帕金森患者对象分布在不同的域,添加了过滤机制,来提高预测精度。在远程帕金森数据集仿真实验中,基于模型过滤的多任务回归方法在预测UPDRS时,较单任务条件下最小二乘法（LS）模型预测motor值准确度提高了67.2%,预测total值则提高了83.3%;相比单任务条件下决策回归树（CART）模型预测motor值提高了64%,预测total值则提高了78.4%。实验结果表明,基于模型过滤的多任务回归算法对UPDRS预测要优于单任务回归算法。     

基于注意力机制的CNN-LSTM模型及其应用

时序数据存在时序性，并且其短序列的特征存在重要程度差异性。针对时序数据特征，提出一种基于注意力机制的卷积神经网络（CNN）联合长短期记忆网络（LSTM）的神经网络预测模型，融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成：基于注意力机制的CNN，在标准CNN网络上增加注意力分支，以抽取重要细粒度特征；后端为LSTM，由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电联产供热数据上的实验表明，该模型比差分整合移动平均自回归、支持向量回归、CNN以及LSTM模型的预测效果更好，对比目前企业将预定量作为预测量的方法，预测缩放误差平均值（MASE）与均方根误差（RMSE）指标分别提升了89.64%和61.73%。     

基于经验模态分解自回归组合模型的网络舆情预测

随着大数据时代的到来,网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时,传统单一模型预测能力有限,不能对舆情趋势进行有效预测。针对此问题,提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型,应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解,然后通过自回归模型对分解后的时间序列进行各自趋势拟合,建立子模型。最后再对各个子模型进行重构,完成建模。另外,在利用自回归（AR）模型拟合过程中,为了减少拟合误差,采用极限梯度提升算法对残差进行学习,并使预测模型迭代更新,提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果,该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明,在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上,EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于经验模态分解与多分支神经网络的超短期风功率预测

风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量,然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归（ARIMA）模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。     

基于随机森林和遗传算法的Ceph参数自动调优

Ceph系统性能受Ceph配置参数的显著影响,在Ceph集群的配置优化中,配置参数种类繁多、含义复杂,导致难以实现快速准确寻优。针对以上问题,提出一种基于随机森林（RF）和遗传算法（GA）的参数调优方法,用于自动调整Ceph参数配置以优化Ceph系统性能。该方法使用RF算法为Ceph系统构建性能预测模型,并将预测模型的输出作为GA的输入,通过GA对参数配置方案进行自动迭代优化。仿真结果表明,调优后的参数配置较默认的参数配置相比,使Ceph文件系统的读写性能提高了约1.4倍,并且寻优耗时远低于黑盒参数调优方法。     

基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法

针对复杂交通路段下的短时交通流量模型的参数估计问题,建立了基于宏观交通流量预测的状态空间模型,提出了基于正交自适应差分演化的无迹卡尔曼滤波(UKF)算法,解决交通流量预测动态模型的参数优化问题.对差分演化算法(DE)的初始化过程,使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性,平衡差分演化算法的开采性和勘探性,更高效地搜索无迹卡尔曼滤波的模型参数.并针对UKF、DE的不同情况,分别采用不同的自适应策略提高调节算法性能.实验结果表明,相对于单独使用随机分布的方式初始化,或者根据经验设置模型参数的方法,使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源,提升预测性能和精度,具有更高的鲁棒性.     

基于NARX神经网络的热负荷预测中关键影响因素分析

在区域供热（DH）网络中,精确预测热负荷已被认为是提高效率和节省成本的重要环节。为了提高预测精度,研究不同影响因素对热负荷预测的影响极为重要。使用引入不同影响因素的数据集训练得到带外部输入的非线性自回归（NARX）神经网络模型,并比较其预测性能,以讨论直接太阳辐射和风速对热负荷预测的影响程度。实验结果表明,直接太阳辐射和风速都是热负荷预测中的关键影响因素。只引入风速时,预测模型的平均绝对百分比误差（MAPE）和均方根误差（RMSE）均低于只引入直接太阳辐射,同时引入风速和直接太阳辐射能够得到最佳的模型预测性能,但是对于MAPE和RMSE降低的贡献不大。     

基于遗传算法的SAR图像多尺度分割

基于最大期望（EM）算法与遗传算法（GA）,提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归（MMAR）模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性; 然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度（MDL）准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA EM方法优于EM算法。     

遗传算法在混沌时间序列预测中的应用研究*

在混沌时间序列研究中,相空间重构和预测模型参数优化是影响预测性能的关键步骤,利用两者之间的相互联系来提高混沌时间序列预测模型的整体性能,提出一种基于遗传算法的混沌时间序列参数同步优化方法。同步优化方法将相空间重构和最小二乘支持向量机参数作为遗传算法的染色体,预测精度作为遗传算法的适应度函数值,通过遗传算法对参数同步优化问题进行求解。通过混沌时间数据对同步优化方法进行了验证性实验。实验结果表明,相对于单独参数优化方法,同步优化方法不仅提高了混沌时间序列的预测精度,同时降低了计算时间的复杂度。     

基于高斯混合一时间序列模型的轨迹预测

针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合-时间序列模型（GMTSM）,对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测。首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型（GMM）和时间序列分析中的差分自回归滑动平均模型（ARIMA）;然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测。实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90.3%;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55%左右。GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境。     

基于健康度分析与和声蚁群算法-支持向量机的故障预测模型

针对现有的故障预测技术无法从整体上反映系统性能下降趋势等问题,提出一种基于健康度分析的故障预测方法.首先,在支持向量机回归算法基础上构造多输出支持向量机,以实现健康度的多步预测,并提出一种和声蚁群算法优化支持向量机参数,解决了蚁群算法易陷入局部最优的问题; 然后, 根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法-支持向量机(HSACA-SVM)故障预测模型; 最后,通过某装备电源系统监测数据验证了该模型的有效性.实例验证表明该模型能够较好地实现对健康度下降趋势的预测,预测准确率达到97%,进而实现故障预测.