基于ARIMA误差修正的混合预测方法

由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。     

MPARMA模型EM算法及观测信息矩阵的计算

混合周期自回归滑动平均模型（Mixture Periodical Autoregressive Moving—Average—MPARMA）是一类新的用于描述周期时间序列中非线性特征的非线性模型,由于MPARMA模型的参数较多,传统的参数估计方法的推导十分冗繁。利用EM（Expectation Maximization）算法,研究了混合周期自回归滑动平均模型的参数估计方法,讨论了EM估计的标准差,详细推导了观测信息矩阵和缺损信息矩阵的计算公式。蒙特卡洛模拟实验结果表明,EM算法是一种简单有效的MPARMA模型参数估计方法。     

组合灰色神经网络模型及其季节性负荷预测

对于季节性时间序列具有增长性和波动性的二重趋势性,提出了季节性预测的组合灰色神经网络模型,研究了同时考虑两种（非线性）趋势的复杂季节性预测问题,给出了一个应用实例,为季节性预测提供了一种新的、有效的方法。     

混合周期自回归滑动平均时间序列的平稳性条件

为了描述周期时间序列中的偏倚和多峰现象,结合有限混合模型方法,将周期自回归滑动平均（Periodical Autoregression Moving Average——PARMA）模型推广,提出混合周期自回归滑动平均时间序列（MPARMA）模型,并讨论了MPARMA序列的一阶和二阶平稳性条件。     

基于数据融合和挖掘技术的航海避碰决策系统

介绍了数据融合和数据挖掘技术，并把该技术应用于航海避碰决策系统中．建立了航海避碰决策系统的数据融合和数据挖掘综合处理的模型，并将基于多知识库的数据挖掘与信息融合技术与模糊神经网络数据挖掘技术相结合，利用模糊推理、神经网络技术和D—S证据理论实现目标识别，从而得到对于各目标类型的最终认识．     

灰色补偿RBF神经网络

给出了灰色系统与神经网络的一种新的结合方式—灰色补偿RBF神经网络。该网络利用RBF神经网络建立残差与数据间的映射关系,并采用其预测结果补偿灰色系统模型的预测值。仿真结果表明本方法优于其它灰色神经网络。     

基于卷积神经网络的顶岗实习管理系统数据挖掘研究

通过数据挖掘方法管理系统数据时,仅依靠关联规则约束,容易导致数据挖掘的泛化误差增大。因此,以顶岗实习管理系统为例,提出基于卷积神经网络的数据挖掘方法。提取顶岗实习管理系统的数据,建立面向主题的数据仓库,结合统计回归分析法和模糊聚类法生成非线性时间序列数据流,采用模糊聚类法设计数据特征提取机制。根据数据特征提取结果分析关联规则,构建卷积神经网络数据挖掘模型,通过特征压缩方法进行数据降维处理,实现挖掘数据的输出。实验结果表明：所提数据挖掘方法与基于决策树和基于一维卷积网络的方法相比,泛化误差较小,能保持在[-0.05,0.05],可以获取更加精确的信息挖掘结果,具有较好的实际应用效果。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

时间序列部分周期模式的更新算法

针对在线增量部分周期模式挖掘中计算复杂度过高的问题,提出了一种带移动时间窗的时间序列部分周期模式挖掘算法.在时间序列的数据挖掘过程中,某些应用场合只要求对近期的时间序列数据进行挖掘发现部分周期模式,作为时间序列未来行为趋势的预测.因此在挖掘过程中,利用时间窗口,在先前挖掘结果的基础上,对最近的时间序列进行部分周期模式挖...     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

基于混合数据挖掘方法的配电网故障诊断技术

针对单一数据挖掘方法在配电网故障诊断中存在的一些缺陷,提出一种基于混合数据挖掘方法的新型配电网故障诊断技术。首先利用粗糙集理论对原始故障数据进行约简,形成精简的规则集,然后利用神经网络调用最简规则集进行学习训练,具有学习训练时间短、诊断准确度高等特点.实例验证了该方法的有效性.     

利用销售数据的商品影响关系挖掘研究

数据挖掘技术作为一种有效的决策工具正为企业做出科学决策提供依据。该文针对关联规则挖掘商品间相关性的不足,提出了一种新的计算方法利用销售商的商品销售数据挖掘商品之间的相关性及影响关系。该方法根据商品销售数据的变化得到所有商品销售数据的时间序列,然后计算测量序列的相似度,从而确定商品间影响关系。实验证明了该方法的有效性,同时得到了一些有价值的结果,可用于指导具体商业实践。     

基于时间序列模型的矿产品价格分析与预测

矿产品价格是矿业投资风险中最重要的不确定因素,矿产品价格预测的准确与否关系到矿业投资的成败。本文据2001-2007年各季度的铜金属价格数据,利用spssl3.0统计软件,建立时间序列ARIMA模型。结果表明模型拟合较成功,通过比较模型预测数据与实际数据,证明模型预测精度较高。该研究不仅为矿业投资决策出示可靠信息,也为矿山企业编制生产计划提供参考。     

基于WEB的数据挖掘模型

随着WEB技术的全球普及和基于数据仓库的数据挖掘技术的日趋成熟，使得基于WEB的数据挖掘技术成了新的研究热点。提出了一个具有良好发展前景的基于WEB进行数据挖掘的模型，并详细阐述了该模型的结构和工作机理。     

利用数据挖掘加强客户关系管理

为有效地管理和利用庞大的客户、销售数据,通过关联规则、分类预测、时间序列分析、聚类分析、基于Web在客户关系管理中常用到的数据挖掘技术,对客户数据库的大量客户消费信息进行分析和处理,然后将分析结果反馈给管理者和整个企业内部,为企业的客户关系管理工作提供决策支持。数据挖掘技术在客户关系管理中获得新客户,提高顾客价值,保持新客户等领域的应用。     

小波滤波在时间序列频繁模式挖掘中的应用

与布尔型数据的频繁模式挖掘相比,时间序列的频繁模式挖掘是一个相对复杂的问题,目前对此类问题还缺少深入的研究.通过对小波滤波的研究,提出了一种时间序列的频繁模式挖掘算法,Frequent-Wavelet算法.该算法的特点是采用多孔平滑滤波器组对时间序列做低通平滑处理,用得到的多个尺度序列表示原序列,较好地解决了时间序列的平凡相似问题和时间轴伸缩问题.实验表明,Frequent-Wavelet算法对于时间序列的频繁模式挖掘具有较好的效果.     

时序分析在开采沉陷动态参数预计中的应用

应用时间序列分析法,对开采沉陷动态过程的概率积分法预计参数进行分析,建立动态预计模型。用该模型可对参数的未来值进行预计,然后利用预计结果进一步预计地表的移动变形,解决了开采沉陷的动态预计问题。应用此法,地表下沉的相对预计误差一般为４％左右,与传统方法相比,预计精度可提高５％～１５％。     

时序法和灰色系统理论诊断结构裂纹的研究

通过对用于矿山机械的某材料在进行疲劳试验时，测取振动信号，利用频谱、时序方法和灰色系统理论方法对其进行研究，得出诊断裂纹的标准。