多粒度时序特征在离网预测中的应用

电信运营商为了发现可能离网的客户,针对不同的场景研究开发了多种离网预测模型。目前的离网预测模型首先选择一种时间粒度抽取特征,之后使用机器学习算法对抽取的数据建模。这类方法只考虑了模型对分类性能的影响,没有充分考虑数据的作用。针对上述问题,提出一种使用多种时间粒度抽取特征的方法,并尝试在模型训练的不同阶段对不同粒度的特征进行融合。实验结果表明,使用多种粒度抽取特征训练出来的模型性能会明显优于使用单一粒度抽取特征的模型。     

有向动态网络中基于模体演化的链路预测方法

以往传统的链路预测方法大多数针对无向网络,而实际上大多数社交网络是有向的,并且没有考虑网络中同一节点对之间的重复边以及微观演化信息,因此不能较好地解决有向动态网络中的链路预测问题。针对有向网络,将节点对之间的重复边信息转换为该节点对之间连边的权值;接着采用了基于三元组模体的演化模型,对滑动窗口中相邻时间片的模体转换概率进行统计后,采用指数加权滑动平均法对其进行时序分析得到不同模体转换概率的预测矩阵,进而使用该矩阵对网络中的链边进行预测。这不仅充分利用了网络微观演化信息,而且解决了动态网络中重复边的问题。最后对实验结果进行分析发现,在高全局聚类系数高平均度的网络中AUC相比Triad Transition Matrix方法提高了近0.01,而相比Common Neighbor方法提高更多。因此,所提方法能够较好地应用网络微观演化信息进行链路预测。     

ON GENERALIZED FRACTIONAL PROCESSES

Abstract. A class of stationary long-memory processes is proposed which is an extension of the fractional autoregressive moving-average (FARMA) model. The FARMA model is limited by the fact that it does not allow data with persistent cyclic (or seasonal) behavior to be considered. Our extension, which includes the FARMA model as a special case, makes use of the properties of the generating function of the Gegenbauer polynomials, and we refer to these models as Gegenbauer autoregressive moving-average (GARMA) models. While the FARMA model has a peak in the spectrum at f = 0, the GARMA process can model long-term periodic behavior for any frequency 0 f 0.5. Properties of the GARMA process are examined and techniques for generation of realizations, model identification and parameter estimation are proposed. The use of the GARMA model is illustrated through simulated examples as well as with classical sunspot data.     

A DISTANCE MEASURE FOR CLASSIFYING ARIMA MODELS

Abstract. In a number of practical problems where clustering or choosing from a set of dynamic structures is needed, the introduction of a distance between the data is an early step in the application of multivariate statistical methods. In this paper a parametric approach is proposed in order to introduce a well-defined metric on the class of autoregressive integrated moving-average (ARIMA) invertible models as the Euclidean distance between their autoregressive expansions. Two case studies for clustering economic time series and for assessing the consistency of seasonal adjustment procedures are discussed. Finally, some related proposals are surveyed and some suggestions for further research are made.     

一种支持DTW距离的多元时间序列索引结构

现有的索引结构难以有效地支持DTW距离度量下的多元时间序列相似性搜索.首先给出一种将不等长多元时间序列转换为等长一元时间序列的方法,并证明这种转换满足下界距离引理;以此为基础,提出一种多元时间序列的DTW下界距离,并对其性质进行分析;然后,针对给出的下界距离,提出一种支持DTW距离度量的多元时间序列索引结构,对多元时间序列数据库进行有效组织;再给出多元时间序列相似模式搜索算法及流程,并证明该搜索方法具有非漏报性;最后,通过实验对所提方法的有效性进行验证.     

基于复化梯形公式的GM(1,1) 模型背景值的优化

背景值是影响灰色理论建模精度的重要因素之一。根据灰色系统理论建模机理以及数据累加生成具有非齐次灰指数规律,构建动态序列模型;基于积分几何意义的视角,利用函数逼近的思想,结合复化梯形公式,提出一种新的GM(1,1)模型背景值优化方法。算例结果表明,利用优化的背景值计算公式所建立的GM(1,1)模型在预测精度上有显著的提高。     

动态贝叶斯最小二乘支持向量机

为了对涡扇发动机的运行参数变化进行实时高精度预测,提出一种基于动态贝叶斯最小二乘支持向量机(LS-SVM)的时间序列预测算法。该算法将贝叶斯证据框架理论用于推断LS-SVM的初始模型参数;然后,利用样本增减迭代学习算法实现LS-SVM的参数动态调整。对某型涡扇发动机的摩擦力矩时间序列进行动态预测,并与动态LS-SVM模型的预测结果进行比较。结果显示,动态贝叶斯LS-SVM具有较好的预测精度。     

具有TCSC 的单机无线总线系统非线性阻尼浸入与不变控制

针对带有晶闸管控制串补(TCSC) 的单机无限总线系统, 利用浸入和不变思想设计了基于状态反馈的非线性阻尼控制器. 通过选定一个特定的二维目标系统和映射函数, 将所研究的对象浸入其中, 使得所设计的非线性阻尼控制器在不需要构造Lyapunov 函数的情况下即可保证闭环系统的渐近稳定性和轨迹的有界性. 仿真对比结果表明了采用所提出方法设计的控制器是有效的, 且能够明显提高闭环系统的暂态稳定性.

     

THE ESTIMATION AND PREDICTION OF SUBSET BILINEAR TIME SERIES MODELS WITH APPLICATIONS

Abstract. In this paper we define subset bilinear time series models, and then describe an algorithm for the estimation of these models. It is also pointed out that for this class of non-linear time series models, it is possible to obtain optimal several step predictors. The estimation technique of these models is illustrated with respect to three time series, and the optimal several steps ahead forecasts of these time series models are calculated. A comparison of these forecasts is made with the forecasts obtained by the best linear autoregressive and threshold autoregressive models. The residuals obtained from the models are tested for independence and Gaussianity using higher order moments.     

不确定时间序列的相似性匹配研究

确定时间序列的相似性匹配方法都没有考虑数据的不确定性,而现实世界中诸如温度传感器等设备采集到的数据往往是不确定的,并且两条不确定时间序列之间的距离也是不确定的,所以现有的确定时间序列的相似性匹配方法不适用于这些领域。针对此问题,提出了基于统计学的规约算法,并且基于该算法提出了不确定时间序列相似性匹配的两种新型算法。在规约过程中,规约算法优化了不同背景下不确定时间序列的小概率点和奇异点的处理。在匹配过程中,首先提出了圆环匹配算法,它通过构建匹配圆环完成相似性匹配,并且通过多次重启提高相似性匹配的准确度和效率;然后在规约算法的基础上,提出了期望匹配的改进算法,它通过增加包络约束消除期望匹配算法中出现的误判问题。