基于ARIMA-SVM组合模型的股票价格预测

现有的股票价格准确预测方法各有优缺点,为了发挥各种预测方法的优点,提出二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。使用小波分解算法对数据进行分解,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型ARIMA预测,对低频信息则用SVM模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始时间序列的预测值。将预测结果与实际值比较,组合模型具有较好的预测效果。经实验证明,小波分解的ARI-MA-SVM组合模型较单一的预测模型效果更为理想。     

结合GM(1,1)和LSSVM的多效蒸发过程参数预测

为了解决多效蒸发过程具有高噪声和非平稳等特性的参数时间序列预测问题,提出了一种基于小波变换结合GM(1,1)和LSSVM的蒸发过程参数预测方法.该方法首先利用Mallat算法对参数时间序列进行分解和重构,分离出序列中的低频信息和高频信息;然后对低频信息构建GM(1,1)模型,对高频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到最终的预测结果.以氧化铝多效蒸发过程的生产数据进行了实验验证,结果表明,该预测算法切实可行且优于单一的GM(1,1)和LSSVM方法,具有较好的泛化性能和较强的鲁棒性,可用于氧化铝生产蒸发过程的优化控制.     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

小波分析和AR-LSSVM的网络流量预测

为了提高网络流量的预测精度,提出了一种基于小波分析和AR-LSSVM的网络流量组合预测模型。利用Mallat算法对非平稳的网络流量序列进行分解和重构,得到低频信息和高频信息;对具有平稳特性的高频信息用AR模型进行预测,而对体现非平稳的低频信息用LSSVM进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值。仿真结果表明组合预测模型不仅具有较高的预测精度,而且预测性能稳定。     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.     

服务器负载的小波-神经网络-ARMA预测

为提高服务器负载预测的精度,提出一种新的基于小波的预测方法。该方法首先对具有非平稳特征的服务器负载序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得原始负载的最终预测。实验表明:该方法能够有效预测非平稳的服务器负载序列,预测精度明显高于传统预测方法。     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

利用小波分解的时间序列云量预测方法

针对传统模型对高分辨率云量时间序列数据适用性差、拟合效果较差以及预测结果准确度低的问题,提出了一种基于小波分解的云量时间序列组合模型预测方法。该方法可以有效提取高分辨率云量时间序列数据的低频趋势序列信息和高频随机序列信息,利用波动特征与随机项扰动纠正,对未来一段时期的云量分布进行预测。试验结果表明,该预测方法改进了传统方法对高分辨率数据适用性较差的问题,能够较为准确地拟合时间序列数据的变化规律,提高了预测准确度,为较长周期的卫星成像数据的选取提供重要的参考依据。     

司法消噪与多技术融合的时间序列预测

针对时间序列的在线精确预测问题,建立了融合预测算法。创新地提出了司法消噪算法,在保留数据的原始信息前提下,实现了对时间序列中数据噪声和新稳态的处理;利用经验模式分解方法对除噪后的数据进行平稳化分解处理;结合BP神经网络、最小二乘支持向量机分别对分解后的低频、高频项进行预测,实现对时间序列的在线精确预测。该算法克服了BP神经网络的高频易发散和最小二乘支持向量机的计算高耗时问题。基于患者呼吸周期序列预测的仿真和临床实验结果表明,该算法能实现时间序列的在线精确预测,且误差小于单一的BP算法,耗时小于单一的最小二乘支持向量机预测算法。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

基于小波分形自回归整合滑动平均模型的网络流量预测

研究表明Internet通信流量同时呈现长相关和短相关特性。为了精确捕捉上述通信流特性,提出一种基于小波分形自回归整合滑动平均(W-FARIMA)模型的预测方法。首先通过Haar小波的方法将原始数据分解为高频信号和低频信号,接着采用FARIMA模型对低频信号进行建模并预测序列,然后对高频信号采用加权一阶局域法进行预测,最后利用小波重构以合成数据。实验和数学分析的方法证实了该预测模型确实能够很好地进行网络流量的长期预测。     

基于小波分析与BP神经网络的人体血压预测

及时、准确预测人体血压变化从而预防人体血压不稳定导致的病情加重的情况发生显得越来越重要.对此本文提出一种基于小波分析与BP神经网络组合的人体血压预测模型,该模型利用小波分解重构法对非平稳的人体血压序列进行分解重构计算,分离出原始序列中的高频细节分量和低频趋势分量,再利用BP神经网络预测算法对各层分量建立预测模型,最后将两种模型的预测值进行叠加,得到原始血压序列的预测值.研究表明,该组合预测模型的预测精度明显高于传统BP神经网络预测模型的预测精度,为人体血压预测提供了一种有效可靠的组合预测方法.     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

经验模态分解法在大气时间序列预测中的应用

介绍了一种可以提高非平稳时间序列预测精度的新方法, 该方法应用 Hilbert-Huang 变换的核心内容---经验模态分解法 (Empirical mode decomposition, EMD) 对非平稳时间序列进行分解, 以降低被预测信号中的非平稳性, 利用神经网络对分解后的各分量进行预测, 再将预测结果叠加. 利用该方法对石家庄市年逐月降水量进行预测, 预测结果显示, 其预测精度比直接用神经网络预测的预测精度有较明显的提高.     

基于相干小波变换的信号相位差估计

精确地估计两列信号间的传输延迟在工程上有着重要的意义。傅里叶变换方法很难区分或识别信号的瞬时变化,而小波变换方法是一种时间窗和频率窗都可改变的时频局部化的分析方法,在非平稳信号的分析方面具有明显的优势。给出应用Morlet小波变换的相干性实现两信号相位差估计的算法,在不同信噪比条件下,对算法的估计性能进行了仿真研究。仿真研究结果表明,在低信噪比的条件下,基于小波变换的相位差估计方法可以实现信号相位差的精确估计。通过与基于离散时间傅里叶变换方法的比较,验证了小波变换方法在估计信号相位差方面的优越性。该方法还可用于对非平稳信号相位差的估计。     

基于自适应混合优化的电力数据预测方法

电力数据易受气候、季节、节假日等因素影响,出现不同波动特征.针对不同特征电力数据预测精度不高、预测方法泛化能力弱等问题,提出基于自适应混合优化的电力数据预测方法 .通过使用小波变换和平稳性分析,将电力数据自适应地分解为包含趋势、季节和周期信息的非平稳序列和多个平稳序列;使用状态转移算法分别优化长短时记忆深度学习网络和自回归移动平均模型,对非平稳序列和平稳序列分别拟合、预测;对预测的各序列进行重构,得到最终预测结果.在电力系统数据上进行多步预测,对比实验表明:与其他方法相比,所提方法不仅具有更高的预测精度,还具有较强的泛化能力.     

基于小波变换和均生函数周期外推组合模式的非平稳时间序列分析与长期预测

提出了利用小波变换和均生函数周期外推组合模式进行时间序列长期预测的方法. 基于小波多分辨率分析理论, 非平稳时间序列被分解为多个相对简单的准周期信号, 信号的趋势项、周期项和随机项被分离出来. 然后采用均生函数周期外推预报模式对这些准周期信号进行预报, 此方法能有效的提高预报长度, 并能获得较高的建模及预报精度. 仿真采用两个典型实例进行验证, 结果表明了方法的正确性和有效性.