时间序列分析方法及ARMA，GARCH两种常用模型

证券市场具有数据单一性（大量不需要经过特殊处理的数据）、分析手段多样性和隐蔽性的特点,且与其飞速发展不相称的是证券分析技术进展的缓慢。股市系统中时间序列的预测问题具有重要的理论及实际意义,时间序列的获取是通过对数据库中数据进行分类汇总分析而获得。获取时间序列数据以后可以对它进行预测分析,从而较准确地预见系统的演进。文中介绍了时间序列的基本知识,同时比较了ARMA和GARCH两种常用模型,得出对于中国股市,GARCH模型性能优于ARCH模型。     

时间序列分析方法及ARMA,GARCH两种常用模型

证券市场具有数据单一性（大量不需要经过特殊处理的数据）、分析手段多样性和隐蔽性的特点,且与其飞速发展不相称的是证券分析技术进展的缓慢。股市系统中时间序列的预测问题具有重要的理论及实际意义,时间序列的获取是通过对数据库中数据进行分类汇总分析而获得。获取时间序列数据以后可以对它进行预测分析,从而较准确地预见系统的演进。文中介绍了时间序列的基本知识,同时比较了ARMA和GARCH两种常用模型,得出对于中国股市,GARCH模型性能优于ARCH模型。     

小时间粒度网络流量自回归预测分析

网络流量测量和预测是网络QoS管理和流量工程中一个重要的组成部分,尤其是对于为了保证网络QoS而引入的一些实时方法,比如接纳控制,资源预留等。较好的网络流量预测效果,能有效地提高这些方法的工作效率,从而有效提高网络带宽的利用率,保证网络QoS。所以高效的网络流量预测不仅是值得的,而且是必要的。由于许多文献研究的是网络流量在大时间粒度(天、周、月等)上的自回归特性,不能用于这种以秒级为单位的接纳控制、资源预留等实时方法,所以本文具体分析了网络流量在小时间粒度的自相似特性,并提出了其自回归预测模型。在模拟实验中采用了实际网络流量,并证明了在大多数情况下预测误差小于15%的概率为90%,它可有效地应用到接纳控制等方面的网络流量预测中。     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.     

一类非线性周期时间序列模型

为了描述周期时间序列中的偏倚和多峰等非线性特征,结合有限混合模型方法,提出混合周期自回归滑动平均时间序列模型（MPARMA）,给出了MPARMA模型的平稳性条件,讨论了期望最大化（EM）算法的应用,通过PM10浓度序列分析,评估了MPARMA模型的表现。     

小波变换与GARCH组合模型的网络流量预测

在一些网络环境当中,网络流量具有非线性、异方差性和波动集群现象,传统的小波变换与ARMA组合模型不能很好地描述网络流量的这些特性。因此,研究使用了小波变换与广义自回归条件异方差GARCH组合模型来预测网络流量。首先,使用小波变换原理将网络流量序列分解成高频部分和低频部分,在此基础上对各个子序列分别建立相应的GARCH模型并进行预测;然后,使用小波变换原理将各个子序列的预测结果进行重构,从而最终实现对原始网络流量的预测。通过仿真实验表明,该模型的预测精度较之传统的小波变换与ARMA组合模型的预测精度得到了大幅提升。     

非线性时间序列建模的异方差混合双AR模型

研究了可用于非线性时间序列建模的异方差混合双自回归模型(heteroscedastic mixture double- autoregressive model,HMDAR),给出了HMDAR模型的平稳性条件,利用ECM(expectation conditional maximization)算法来估计模型的参数,运用BIC(Bayes information criterion)准则来选择模型．HMDAR模型条件分布富于变化的特征使它能够对具有非对称或多峰分布的序列进行建模,将HMDAR模型应用于几个模拟和实际数据集均得到了较为满意的结果,特别是对波动较大的序列,HMDAR模型能比其他模型更好地捕捉到数据序列的特征．     

基于ARMA模型的网络流量预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,因此发生各种问题的可能性也越大,同时管理网络的难度也增大,传统的网络管理是在告警之后,解决潜在的问题,即为一种响应式的行为,这时候网络的服务很可能已经受到影响,根据实际采集的非单播包数的观测值序列,建立该流量参数的正常行为,然后平稳化该序列,估计出网络流量的ARMA（2,1）模型,用线性最小均方误差预测方法,对网络流量进行预测,并检测在将来超越阈值的可能性和发生时间,这样,在网络过载发生之前,可以预先采取防范措施,来保证网络的正常服务,这种方法改变了以往的网络管理响应方式,使得网络过载的预警成为可能。     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

时间序列的非线性趋势预测及应用综述

针对时间序列趋势预测问题,综述了非线性趋势预测技术以及在金融领域的主要应用,重点介绍了非线性方法中的神经网络、支持向量机和混沌理论的基本原理、算法优缺点及主要改进,并介绍这些理论与遗传算法,小波理论等结合的组合预测方法.认为非线性生组合预测是今后时间序列趋势预测的发展方向,最后介绍了非线性趋势预测方法在股票价格走势与变化方向、债券价格、保险公司风险评估以及银行信用风险等方面的应用.     

一种网络流量预测的小波神经网络模型

结合小波变换和人工神经网络的优势,建立一种网络流量预测的小波神经网络模型。首先对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练。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。     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

径向基神经网络的汇率预测模型研究

针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理,然后送入径向基神经网络（RBF）中训练,得出相应参数,再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明,该方法不仅运算速度较快,且预测精度明显要高于传统BP神经网络所能达到的效果。     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。