智能化时代新闻业务大数据监控系统的分析与设计

近年来，随着大数据技术的研发和应用，大数据相关业务的监控也越来越重要。在智能化时代，新闻业务呈现出了新的发展趋势，随着新闻业务的扩展和数据量级的增长，大数据监控系统的构建成为新闻领域重要工作之一。对此，文章首先分析智能化新闻业务的特点和生产模式困境，重点建立新闻业务的大数据监控系统，将监控系统整体上分为六个功能性模块，对监控系统的系统权限、数据监控管理、监控项可视化等功能性模块进行详细的设计，并基于Holt-Winters算法建立监控系统中时间序列预测模型。以期提升大数据监控系统的数据安全监控能力，尽可能减小数据风险和经济损失，促进大数据环境下新闻业务的智能化发展。     

基于离散小波变换的时间序列数据挖掘

提出了一种利用离散小波变换进行时间序列分析预测的新方法。该方法的特点主要是在小波系数的选取依据上与以往方法不同,以往方法大多是选取前k个位置的系数或者是选取数值最大的k个位置的系数,其依据是能量保持;本文方法的选取依据是各系数在训练集数据上的分类能力大小,即通过对已知类别的训练集的学习过程,找出使得类内距离最小、类间距离最大的若干系数作为特征系数。对于未知类别的时间序列,根据特征系数计算出该序列属于各个类别的隶属度,隶属度最高的类别即为预测结果。实验结果表明,本方法用于时间序列分析预测,显示出了较高的效率和准确性。     

一种海量实时序列数据指数平滑预测分割算法*

时间序列分割是时间序列挖掘的重要任务之一。实时数据快速变化,数据量巨大,所以如何对实时数据进行快速而准确的分割很具有挑战性。本文提出基于指数平滑预测的滑动时间窗分割算法可以快速有效的分割在线实时数据,该算法基于滑动窗口和平滑指数算法,分析实时数据的统计特性,推导出序列的预测误差和压缩率之间的关系,通过序列预测的误差来判断分割点。加入校验环节提高算法的健壮性。通过本课题所使用的数据集以及公共数据集验证算法结果说明,该算法能够有效地在线检测出实时数据的分割点,并且时间复杂度较低。     

基于VC的时间序列分析法的应用研究

时间序列分析是概率统计学的一个重要组成部分,现在从经济到工程技术,为了得到时间序列分析预测,对时间序列分析、预测、比较都具有重要的理论意义和实际应用价值.选取两种有代表性的数据,利用Visual C++实现了三种时间序列预测方法:移动平均法、指数平滑法和最小二乘法,并通过图表以及相关的误差分析,详细地比较了三种方法的特点和适用范围,从而既可以从直观上了解三种方法的共同点以及不同点,又可以从误差分析的数据中了解各种方法适合于分析预测哪种类型的数据.     

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.     

自适应单指数平滑法在短期交通流预测中的应用

短时交通流预测是实现交通规划和管理的关键技术之一. 指数平滑法因其计算过程简单, 需要观测数据较少等优点, 在短时交通流预测中获得了广泛的应用, 但其平滑系数缺乏有效的选取方法. 本文提出了一种自适应单指数平滑法, 通过近似动态规划方法的引入, 结合实际交通流数据对指数平滑系数进行优化, 使其随预测过程自动更新, 从而保证了预测的实时性、准确性. 严格的理论推导证明了这种预测方法的收敛性, 仿真结果验证了算法的有效性.     

融合结构化信息与时序演化信息的多变量间歇性时间序列预测

复杂装备制造企业的售后配件需求不定时发生、需求波动大,导致需求数据呈现典型的间歇性、小样本特点.当面对间歇性程度高、突发需求较大的序列时,现有预测模型难以准确捕获其需求波动规律,无法有效预测配件需求走势.为提高多组配件的预测精度和稳定性,同时考虑序列间结构化信息和序列自身时序演化信息,提出一种新的多变量间歇性时间序列预测方法.首先,提出一种基于张量的轻型梯度提升机模型,通过张量分解,重构原始需求数据,修正序列中的异常需求值,并利用轻型梯度提升机对多组序列进行联合预测;然后,构建一种新的线性衰减修正模型,将修正因子引入线性衰减指数平滑方法,对每条序列分别预测需求量和间隔区间;最后,将2个预测模型进行加权融合,得到最终预测结果.分别在2个复杂装备制造企业的售后配件需求数据集上进行实验验证,实验结果表明,与多个时间序列预测算法相比,所提出方法能够有效预测需求波动趋势,提升预测精度和数值稳定性.     

一种指数平滑预测的参数优化方法及实现

时间序列预测法在各种基于时态数据库的计算中有着广泛的应用前景.文中介绍了时间序列预测法中的单指数平滑、双指数平滑和三指数平滑三种指数平滑预测方法,不同的预测方法适合于对不同时间特性的数据、平稳性数据、趋势性数据或季节波动性数据进行预测,使用相应的预测方法均达到很好的平滑效果.同时还介绍了如何应用1Gs算法对指数平滑的多数进行优化,从而得到更好的平滑效果和预测结果,使之在社会实际当中发挥更好的作用.     

一种指数平滑预测的参数优化方法及实现

时间序列预测法在各种基于时态数据库的计算中有着广泛的应用前景。文中介绍了时间序列预测法中的单指数平滑、双指数平滑和三指数平滑三种指数平滑预测方法，不同的预测方法适合于对不同时间特性的数据、平稳性数据、趋势性数据或季节波动性数据进行预测，使用相应的预测方法均达到很好的平滑效果。同时还介绍了如何应用IGS算法对指数平滑的参数进行优化，从而得到更好的平滑效果和预测结果，使之在社会实际当中发挥更好的作用。     

基于最优梯度自适应优化算法的交通流预测

短时交通流预测在交通控制中起着基础的作用。建立了一类不需要选取初始值、带有动态参数的指数平滑模型。以预测误差平方和SSE最小为目标,构造了优选并自动生成最佳参数,使平滑模型得以优化的最速下降算法,增强了模型对时间序列的适应能力。较好地解决了指数平滑预测中,平滑参数靠检验确定且为静态、平滑初值难以确定并导致预测偏差等问题。通过比较上海浦东的实测数据和其它预测算法,验证了该算法的有效性和实用性。     

DMRTG:网络性能监测的动态扩展

通过网络测量获取性能参数并在此基础上进行性能监测,这是常用的网络性能管理方法,典型工具有MRTG.对于性能数据的处理较普遍地是采用平均化和轮循刷新的方式保存,这使得原始的细节数据随时间而湮没.从尽可能展示原始数据的角度出发,一种网络性能动态展示的方法被提出.同时,结合了字节速率和数据包速率的联合展示方法被证明更能准确地反映网络性能,并在网络安全方面有所帮助.在此基础上根据Holt-Winters预测算法对网络性能进行了相关预测.     

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。     

基于箱线图异常检测的指数加权平滑预测模型

数据预测模型是近年来无线传感网数据传输领域的研究热点。随着监测环境日益复杂和多样化,传感节点采集的数据集常伴有异常点,当前大多数预测模型并未过滤异常点。为了有效过滤异常点,提高数据传输的精简程度和预测准确度,本文提出一种基于箱线图异常检测的指数加权平滑预测模型,同时引入短期环比机制判定突发事件。实验表明,该模型在不同数据集、平滑系数变动和不同动态阈值下都能有效过滤异常点并判定出突发事件,数据传输的精简程度提高了5.8%,预测准确度提高了8.4%,与现有的预测模型相比具有更好的鲁棒性和异常点处理能力。     

ESPSA: A prediction-based algorithm for streaming time series segmentation

Streaming time series segmentation is one of the major problems in streaming time series mining, which can create the high-level representation of streaming time series, and thus can provide important supports for many time series mining tasks, such as indexing, clustering, classification, and discord discovery. However, the data elements in streaming time series, which usually arrive online, are fast-changing and unbounded in size, consequently, leading to a higher requirement for the computing efficiency of time series segmentation. Thus, it is a challenging task how to segment streaming time series accurately under the constraint of computing efficiency. In this paper, we propose exponential smoothing prediction-based segmentation algorithm (ESPSA). The proposed algorithm is developed based on a sliding window model, and uses the typical exponential smoothing method to calculate the smoothing value of arrived data element of streaming time series as the prediction value of the future data. Besides, to determine whether a data element is a segmenting key point, we study the statistical characteristics of the prediction error and then deduce the relationship between the prediction error and the compression rate. The extensive experiments on both synthetic and real datasets demonstrate that the proposed algorithm can segment streaming time series effectively and efficiently. More importantly, compared with candidate algorithms, the proposed algorithm can reduce the computing time by orders of magnitude.     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

基于强挂起弱预测机制的负载均衡模型研究

大数据时代的快速发展和大数据战略的明确提出,使得Web服务器集群将面临更加复杂和严峻的负载挑战。传统的负载均衡算法存在着明显的局限性。提出了一种基于强挂起弱预测机制的负载均衡模型,该模型利用强挂起机制和基于层次分析的三次指数平滑预测算法进行负载均衡动态调度。实验结果表明该模型在系统瞬时性能异常、高并发和重负载交互情况下的负载均衡效果优于传统负载均衡算法。     

结合用户聚类与改进用户相似性的协同过滤推荐

协同过滤算法作为一种信息筛选的重要方式,在大数据时代下受到越来越多的关注。但传统的协同过滤算法由于面临着严重的数据稀疏性以及只考虑用户间的评分相似性,导致推荐准确率较低。对此,提出了一种改进的协同过滤算法。利用[K]-means++算法对用户属性进行聚类,从而降低数据的稀疏性;考虑到用户兴趣会随时间发生动态变化,在传统的评分相似性中引入时间因素;将信任误差引入到用户间的信任关系中,从而改善用户信任度;将基于时间因素的评分相似性与改进的用户信任度进行融合,从而提高用户相似性的计算精度。在MovieLens数据集上进行仿真实验,结果表明,该算法能有效地提高推荐的预测准确性。     

A decision support system methodology for forecasting of time series based on soft computing

Exponential procedures are widely used as forecasting techniques for inventory control and business planning. A number of modifications to the generalized exponential smoothing (Holt-Winters) approach to forecasting univariate time series is presented, which have been adapted into a tool for decision support systems. This methodology unifies the phases of estimation and model selection into just one optimization framework which permits the identification of robust solutions. This procedure may provide forecasts from different versions of exponential smoothing by fitting the updated formulas of Holt-Winters and selects the best method using a fuzzy multicriteria approach. The elements of the set of local minima of the non-linear programming problems allow us to build the membership functions of the conflicting objectives. It is compared to other forecasting methods on the 111 series from the M-competition.