一种新型复杂时间序列实时预测模型研究

针对复杂时间序列难以使用单一预测方法进行有效预测的问题，本文提出一种新型多分辨率增量预测模型．该模型首先使用经验模式分解方法对复杂时间序列分解，然后对各分量分别进行增量核空间独立向量组合预测建模，最后对各个分量预测结果等权求和集成为综合预测结果．该预测模型可以实现对复杂时间序列的快速实时预测，实验结果显示该模型在复杂时间序列预测上有良好的性能．     

人生殖道疣和子宫颈癌中病毒基因检测及超微结构研究

本实验用透射电镜观察了32例子宫颈癌,6例宫颈湿疣和2例外阴疣的超微结构,同时以～(32)P-dCTP标记的HPV 16 DNA为探针,检测了宫颈癌活检组织中的病毒DNA相关序列。电镜下,生殖道疣各例均可见典型凹空细胞病变,细胞核内的核小体,染色质之间颗粒,染色质周围颗粒显著增多。核酸杂交显示23例宫颈癌组织中存在病毒DNA相关序列。杂交呈强阳性及中强阳性组织中的癌细胞核中的核小体明显多于弱阳性及阴性标本。。     

基于随机下采样和SVR的蛋白质-ATP绑定位点预测

将蛋白质序列的ATP绑定位点与非绑定位点进行分类是个不平衡的二分类问题,其中绑定位点是样本数目稀少的正类样本,非绑定位点是样本数目众多的负类样本。根据机器学习关于可以将分类问题作为回归问题的特例的观点出发,并根据所研究问题本身的特点,在此提出一种基于随机下采样和支持向量回归的蛋白质-ATP绑定位点预测方法。首先,使用滑动窗口抽取蛋白质序列中每个残基的特征,得到一批不平衡的两类样本;其次,应用随机下采样策略,消除正负样本存在的显著不平衡;最后,使用支持向量回归建立预测模型,并选取合适的阈值进行蛋白质-ATP绑定位点的预测。在标准数据集上的实验结果以及与几种最新报道的预测方法的对比结果,验证了本文所述方法的有效性。     

基于小波分解和SVM的城市大气污染浓度预测

使用一种结合小波分解和支持向量机的方法建立城市大气污染物浓度预测模型。首先将大气污染物浓度数据序列小波分解和重构为不同频段的分解序列,然后对各分解序列使用不同的模型进行预测,最后将各分解序列的预测结果合成为浓度的最终预测结果。实验结果表明,该模型的预测精度优于RBF神经网络模型及一般支持向量机模型。     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于XGB-LSTM组合模型的白酒股票价格预测研究

股票数据具有非平稳、非线性的特点,传统模型对其预测的拟合度较低。选取2017～2022年的4支白酒股票作为研究对象,提出极限梯度提升机和长短期记忆网络组合的股票价格预测模型。首先对各支股票的原始成交量序列进行数据分析和特征构建;其次,利用XGBoost算法进行二次特征构建;最后,建立LSTM股票价格预测模型,并在4支股票上进行实例验证。实验结果表明：相比于传统预测模型,构建的XGB-LSTM模型对茅台、洋河、汾酒三支股票价格的预测损失最小,拟合度最高,证明了XGB-LSTM在股票价格预测中的有效性。     

基于UI-LSTM模型的短时降水预测研究

降水临近预报是为了预测未来短时间的降雨量。现有大多数基于循环神经网络(Recurrent Neural Network, RNN)的降水预报模型,采用单一的卷积核对输入和隐藏状态的特征进行提取存在局部性,不能捕获雷达回波图中复杂的物理变化,且未有效提取时空相关性和对强降雨区域的精准预测。针对现有模型存在的问题,提出了UI-LSTM模型用于降水临近预报,能够有效地提取雷达回波序列的时空相关性,采用了U形结构,同时使用跳过连接进行特征拼接,学习到整个雷达回波图的上下文语义信息,且将浅层和深层信息进行特征融合。加入了Inception结构来代替ConvLSTM细胞结构中输入到输入和状态到状态的卷积,通过不同大小的卷积核,有效提取输入,隐藏状态的特征。在公开数据集(CIKM AnalytiCup 2017)进行实验并与其他模型进行对比实验。实验结果表明,UI-LSTM模型在HSS、CSI、MAE和SSIM指标整体上要远高于其他对比模型,且提高强降水天气预测的准确率。     

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

基于NGO-VMD-FCBF-Informer的电力负荷组合预测模型

电力负荷预测对电力系统安全稳定运行至关重要,现有的预测算法在精度及稳定性方面优化存在着欠缺,在此提出一种基于NGO-VMD-FCBF-Informer电力负荷组合预测模型。为提高原始数据的平稳性,使用VMD算法对原始数据进行分解,同时利用NGO算法对VMD的IMF分量层数及惩罚因子两个参数进行寻优。针对电力负荷预测受温度、电价等众多不确定性因素影响的问题,采用FCBF算法筛选出相关性程度高的特征变量作为输入变量。最后采用Informer网络对各个IMF分量进行单独预测,并对每个IMF分量预测结果进行重构叠加得到最终预测结果。同时,将该模型与其他预测模型进行对比实验分析,实验结果表明,该模型均值绝对误差、平均绝对百分比误差及均方根误差均低于列举的预测模型,能够有效地提高电力负荷的精度。     

混沌信号的相空间重构和预测方法研究

基于复杂非线性系统的相空间重构理论和神经网络本质为非线性映射关系的特点,提出利用混沌时间序列重构相空间和BP神经网络构建其预测模型的方法。利用该方法对典型的Lorenz混沌时间序列进行了空间重构,研究了预测模型的预测效果,结果表明单步预测效果理想,多步预测在50步以内也能取得较小的预测误差,证明了混沌信号不同于随机噪声,具有短期可预测、长期不可预测的特征。该方法为具有混沌特性的时间序列如心电信号、电力负荷等预测模型的建立提供了理论基础。