残差灰色模型在网络流量预测中的应用

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划,流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色预测模型作为灰色系统理论的重要内容之一,被广泛的应用．于各种领域。该文提出一种的对不全为正数的残差序列的处理方法,并应用此另法进行建模对实际网络流量进行预测,结果表明了该方法是有效可行的。     

AR1MA时间序列模型在电信产品收入预算中的应用

本文通过AR1MA时间序列模型,利用SPSS统计软件对某电信产品收入进行了预测研究。结果表明,模型拟合较好,将模型预测数据与实际数据比较显示,模型预测精度较高。为电信制定经营决策、编制下年度的工作计划提供依据与参考。     

灰色预测模型在预测话音网关故障中的研究与应用

话音网关主要完成IP通信系统与系统外部模拟线路的互联,是指挥所用于对上对下通信联络的重要设备,对部队指挥顺畅至关重要。当前排除故障的主要手段是待设备发出警报并停止工作之后才知晓并处理。针对此情况提出一种设备故障前置预测法,即对设备主要部件输出信号实际进行监控并与设备理论输出值进行比较,进一步研究发现由于理论输出值一般是一个范围,会影响判定精度,因此改为利用灰色预测模型的预测值与实际信号进行比较,如两个信号的差值较大则认为部件有隐患。从实际仿真来看,使用灰色预测模型的方法要好于第一种方法。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

Holt-Winters模型在卷烟预测中的应用

提出基于Holt-Winters卷烟预测模型,对该预测模型设计了相应的算法,并以实际数据为例验证了Holt-Winters模型预测方法的有效性和实用性。     

模糊神经网络在时间序列预测中的应用

文中提出了将模糊聚类与梯度算法相结合的一种改进的训练模糊神经网络的混合型算法。模拟结果表明，模糊神经网络可以成功地用于时间序列的预测，模糊神经网络的训练速度与模拟精度都优于传统多层ＢＰ网络。     

时间序列模型在降水量预测中的应用研究

研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景.     

灰色模型在春运客流量预测应用中的优化

将火车站视为本征性灰色系统，选用灰色预测方法对春运客流量作出预测，并根据实际预测结果对基本模型进行优化。采用残差预测模型和新陈代谢模型等方法，解决了预测精度和可信度的问题。实际数据表明预测结果是可信的。     

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.     

BP神经网络在医院多因素时间序列预测中的应用

利用三层BP神经网络对非线性系统的函数所具有的以任意精度逼近的良好特性 ,突破传统上基于统计学方法进行预测的限制 ,设计了一种体现时序的多因素动态时间序列神经网络预测模型 ,并将模型运用于某医院年收治病人数的预报。通过仿真实验结果表明 ,应用BP网络预测方法不仅可行 ,而且有更好的预测精度。     

时间序列分析在电力系统暂态稳定预测中的应用

提出利用时间离列分析快速预测多机电力系统暂态稳定性的方法。该方法采用ＡＲ时间序列模型，预测故障后发电机转子角的变化趋势，并根据所构造的转子预测模型多项式是否存在极值作为暂稳的识别判据。仿真结果表明，本文法在不同条件下预测结果都是准确有效的。     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

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。     

Nonparametric Time Series Prediction Through Adaptive Model Selection

We consider the problem of one-step ahead prediction for time series generated by an underlying stationary stochastic process obeying the condition of absolute regularity, describing the mixing nature of process. We make use of recent results from the theory of empirical processes, and adapt the uniform convergence framework of Vapnik and Chervonenkis to the problem of time series prediction, obtaining finite sample bounds. Furthermore, by allowing both the model complexity and memory size to be adaptively determined by the data, we derive nonparametric rates of convergence through an extension of the method of structural risk minimization suggested by Vapnik. All our results are derived for general L error measures, and apply to both exponentially and algebraically mixing processes.     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

基于神经网络的时序预测模型研究

古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。     

基于时序聚类的吹灰预测模型

在大型火电厂烧煤锅炉的运行过程中,受热面的积灰是降低锅炉运行效率和安全性的一个重要原因。目前,主要采用高压空气或者蒸汽把积灰吹掉。吹灰的困难在于确定应该何时吹灰,该文提出一种基于时序聚类的新方法,从经过预处理的锅炉历史数据中抽取出代表吹灰的模式,建立吹灰模型,用来预测吹灰时间。该方法在应用到一个900 MW的超临界锅炉上时,表现出较好的效果。     

智能神经元网络时间序列预测模型的研究

人工神经元网络的研究技术在理论和实际应用上已经比较成熟,在信号处理系统中也采用该技术进行非线性时间序列信号的预测分析。但是由于该理论黑箱模型的特点,无法引入先验知识,从而预测精度难以提高。针对该问题,文中提出了智能神经网络的动态预测模型,引入智能神经元,建立区别于传统神经网络的预测模型,达到了较为理想的预测效果。并以工业生产参数的时间序列预测——某油井生产过程中MinCurrent参数值,作为实验模型,对该方法进行了验证,结果表明了该模型预测精度较高、计算速度快。     

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。     

基于自动编码器的时间序列预测混合模型

时间序列预测目前在众多领域有着广泛应用. 如果可以准确估计事件或指标的未来发展, 它可以帮助人们做出重要的决定. 然而对不同时间序列建立模型并准确预测已成为最具挑战的应用之一. 因此, 本文提出了一种新颖的混合多步预测模型, 称为SSA-ConvBiAE. 首先, 通过奇异谱分析(SSA)将原始数据分解为不同的趋势分量. 其次, 设计了新的基于卷积长短期记忆(ConvLSTM)和双向门控循环单元(BiGRU)的自动编码器网络结构. 最后, 将不同的分量分别输入到对应的自动编码器中进行训练和预测并求和预测结果. 为了评价模型的预测性能, 在真实的供水数据集和公开的时间序列数据集上进行了实验, 实验结果表明, 模型的预测结果优于基线方法. 本文已在网站https://github.com/VIMLab-hfut/SSA-ConvBiAE上发布了源代码.