基于ARIMA模型误差修正的小波神经网络风速短期预测

风电场风速短期预测对于风力发电具有重要意义。本文首先根据国家标准《风电场风能资源评估方法》推荐的方法对风速数据进行预处理,修正不合理的数据以及插补丢失的数据:接着运用小波神经网络对预处理之后的数据进行预测,并对预测之后的残差形成的随机序列建立ARIMA误差预测模型,最后用预测的误差来修正风速预测结果。将以上方法用于某小型风电场实测数据,并将运算结果与小波神经网络的预测进行比较,MAPE降低了46.97%,结果表明基于ARIMA模型误差修正的小波神经网络明显改善了风速预测的精度,可有效应用于短期风速预测。     

基于灰色小波的网络流量组合预测模型

为了更准确的预测网络流量和刻画流量特性,提出了一种基于小波变换理论与灰色理论的组合预测方法.该方法拟合了小波分解的平稳化处理优点和灰色预测中的平移处理优点,根据提出的预测方法建立了基于灰色小波的网络流量预测模型.首先对分解后的时间序列分别进行平移预处理,然后对预处理后的序列数据进行预测并重构,从而得到原始时间序列的预测值.对实际的采集数据进行仿真实验,仿真结果表明,该方法预测效果良好,优于一般小波预测方法.     

基于小波技术和ARIMA模型的网络流量预测研究

结合小波变换技术和时间序列模型ARIMA,建立一种网络流量预测模型.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于ARIMA和LSTM混合模型的时间序列预测

由于现实中的时间序列通常同时具有线性和非线性特征,传统ARIMA模型在时间序列建模中常表现出一定局限性.对此,提出基于ARIMA和LSTM混合模型进行时间序列预测.应用线性ARIMA模型进行时间序列预测,用支持向量回归(SVR)模型对误差序列进行预测,采用深度LSTM模型对ARIMA模型和SVR模型的预测结果组合,并将...     

基于小波变换的时间序列相似模式匹配

提出了一种新的时序相似模式匹配方法，它采用小波分析的方法实现时间序列数据的降维，采用小波序列表示原序列，将小波序列组织为多维索引结构R-tree存储，在该索引结构基础上，基于一种表示相似性的距离函数，定义了范围查询和最近邻查询算法，实验结果证明这种方法性能优于传统的基于傅立叶变换的相似模式匹配方法。     

基于小波的多尺度网络流量预测模型

通过把ARIMA线性预测方法引入小波域内,提出一个基于多重分形小波模型的网络流量预测模型。通过对真实网络流量的仿真实验,结果表明该模型能够对网络流量进行比较精确的预测．     

一种基于小波变换的输油泵故障诊断方法

小波变换突破了传统Fourier变换在信号分析中的局限性,实现了对非平稳信号在时域和频域的局部化处理,提出了一种利用小波变换精确定位突变点的位置和突变类型的故障诊断方法,在输油泵的故障诊断中得到了验证.     

基于ARIMA时序辨识的需水量预测

供水行业是国民经济的重要基础,对需水量的准确预测有利于供水部门调度。针对城市供水量波动特点和预报要求,基于ARIMA季节时间序列对城市需水状况建模。通过分析自相关系数(ACF)、偏自相关系数(PACF)等参数辨识模型阶次结构,预报未来需水量趋势,并使用SAS统计软件进行检验。所建立的模型成功应用于上海市中心城区需水预报,对照历史数据表明,模型具有理想的预测精度,能够有效地辅助供水部门进行决策。     

改进ARIMA模型在医药需求预测中的研究

为满足卫生部对三级医院库存周转率的要求,提出一种基于小波变换和相似性度量的线性改进模型。基于滑动窗口的数据流相似性原理检验原始序列,小波分解后,根据其线性特征分别搭建模型分而治之,小波重构综合各分量的预测值得到终值。仿真结果表明,该模型提高了突变节点处的预测精度,在模式和非模式集中有优秀的拟合效果和精准的预测效果,验证了该模型的有效性。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

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.     

ARIMA模型在农产品价格预测中的应用

利用农产品价格时间序列的当前值和过去值准确预报未来值,将有利于正确引导农产品流通和农业生产,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据。针对农产品价格这一重要问题,以白菜月价格数据为例,构建非平稳时间序列ARIMA（p,d,q）模型并预测白菜未来的月价格。结果表明ARIMA（0,1,1）模型能很好地模拟并预测白菜月价格趋势,为农产品市场信息的准确预测提供重要方法。     

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络（MOBP）的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络（MOBP）预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。     

A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data

A suitable combination of linear and nonlinear models provides a more accurate prediction model than an individual linear or nonlinear model for forecasting time series data originating from various applications. The linear autoregressive integrated moving average (ARIMA) and nonlinear artificial neural network (ANN) models are explored in this paper to devise a new hybrid ARIMA–ANN model for the prediction of time series data. Many of the hybrid ARIMA–ANN models which exist in the literature apply an ARIMA model to given time series data, consider the error between the original and the ARIMA-predicted data as a nonlinear component, and model it using an ANN in different ways. Though these models give predictions with higher accuracy than the individual models, there is scope for further improvement in the accuracy if the nature of the given time series is taken into account before applying the models. In the work described in this paper, the nature of volatility was explored using a moving-average filter, and then an ARIMA and an ANN model were suitably applied. Using a simulated data set and experimental data sets such as sunspot data, electricity price data, and stock market data, the proposed hybrid ARIMA–ANN model was applied along with individual ARIMA and ANN models and some existing hybrid ARIMA–ANN models. The results obtained from all of these data sets show that for both one-step-ahead and multistep-ahead forecasts, the proposed hybrid model has higher prediction accuracy.     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于提升方案的冗余Haar小波变换与时间序列预测

针对小波分析存在的边界问题，提出一种基于提升方案的冗余Haar小波变换(Haar_RLWT)。使用该方法得到的系数序列，在具备时移不变性的同时，消除了右侧边界存在数据畸变的现象，使小波分析技术结合神经网络等传统预测模型的方法应用于时间序列预测任务具备可行性。同时为进一步提高预测效果，引入神经网络集成技术以改善网络泛化能力。实验表明，该综合预测模型预测效果与稳定性优于传统预测模型。     

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型.将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果.通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率.