基于小波分析的Arima-Transformer组合模型的比特币价格预测

金融商品价格作为一种经典的时间序列,其变化通常表现为非线性、非平稳性及高波动性,使用单一的模型较难实现对金融商品价格的准确预测。文章基于小波分析建立ARIMA-Transformer组合模型,从不同维度分析时间序列的随机波动、循环变化、周期变化等变化规律,对比特币的价格进行时间窗口滚动式预测,预测结果与实际的比特币价格走势大致相同,表明该模型可作为交易者的参考投资模型。     

基于AIOHMM模型的驾驶行为预测

驾驶员行为预测能够有效减少交通事故发生,因此,研究驾驶员的意图是非常有必要的。本文根据驾驶行为受到驾驶员驾驶意图和车外部驾驶环境的影响,在时间上,先有驾驶意图后有驾驶行为,利用驾驶意图在行为实验过程中的时间差和车外部环境建立自回归输入输出隐性马尔科夫模型(Autoregressive Input-Output HMM)。首先根据采集到车内外的视频数据提取特征值,利用建立的模型进行模型训练,学习得到模型参数,然后用得到的参数对驾驶员换道、转弯和保持直行等行为进行预测。利用Matlab仿真,得出该模型在驾驶行为预测中具有更高的准确性,花费了更少的预测时间,降低了预测的召回率。     

一种基于用户行为预测的群移动性管理模型

移动性管理是未来5G移动的重要组成部分,如何均衡寻呼负载和位置更新开销,从而合理利用无线资源是当前的研究重点.提出了一种新的群移动性管理(GMM)方案,可以针对具有相同运动特征的用户进行集中式管理,从而可以减少单个用户移动性管理(SMM)时存在的重复开销.仿真结果表明,GMM比SMM可以获得更佳的运行开销.     

改进的基于小波变换和FARIMA模型的网络流量预测算法

提出了一种改进的基于小波变换和FARIMA模型的网络流量预测算法,先对经过预处理的流量进行小波分解,再进行Mallat算法单支重构,接着用FARIMA模型分别对重构后的单支进行预测,最后合成流量。该算法较之传统的首先用FARIMA模型对小波系数进行预测再进行小波重构的算法减小了预测误差。仿真实验也验证了改进算法的预测准确性。     

基于改进灰色模型的电力数据预测方法研究

针对传统灰色模型在多原始数据、长时间尺度的负荷预测情景下预测精度差的问题,文中分析了灰色模型(Gray Model,GM)的基本原理,并提出相应的改进措施,其中包括原始数据的加权处理、选取合适的初始条件及自适应优化模型参数.并将改进灰色模型(Improved Grey Model,IGM)应用于电力负荷预测.通过算例分...     

基于ARIMA模型的城市轨道交通客流预测及研究

在城市轨道交通新线开通运营后期,客流趋于稳定的情况下,利用改进的时间序列模型ARIMA(Autoregressive Inte?grated Moving Average Model),对新线开通后期的站点进出站客流进行预测.为增加预测精度,利用小波分析方法对客流进行去噪,同时利用差分的方法消除数据的趋势性和季节性.将预测进站客流值与实际客流量对比可知,平均误差约为3.708％,预测效果较好,具有很强的应用性.     

便携式足球运动员机能状态监控器的嵌入式设计

设计足球运动员机能状态便携式监控器,提出一种基于嵌入式ARM技术的机能状态监控器设计解决方案。监控器包括主机模块、无线模块、Android模块、Web模块和报警模块等。首先进行监控器的总体设计方案分析,然后对模块进行分别设计,采用嵌入式ARM技术进行主机模块的串口配置和多线程程序开发设计,实现对足球运动员身体机能数据处理和分析,并根据身体机能情况发出报警信息,便于运动员实时调整身体状态。测试表明,该监控器具有较快的运行响应速度,对身体机能监控的准确性较好,具有极大的实用价值。     

基于改进灰色模型的激光切割粗糙度预测

为了提高激光切割粗糙度预测的精度,提出改进灰色模型。首先基本灰色模型增设线性回归,减少了测试数据的随机波动性;接着通过动态等维灰数递补模型添加新的数据,及时补充和使用原始的信息,每预测一步对参数作一次修正;最后给出了激光切割粗糙度预测流程。试验显示改进灰色模型对激光切割粗糙度预测具有较高的精度,RMSE平均值为0.218,比KF、NN、BPNN、PSO、GM算法减少了32.09%、30.13%、26.10%、21.58%、6.48%,ζ平均值为0.975,比KF、NN、BPNN、PSO、GM算法增加了12.33%、9.43%、7.03%、4.28%、3.07%,评价指标较优。     

基于机器学习技术的网站用户行为预测

针对网站中用户留存度、转化率和忠诚度较低的问题,文中以旅游网站为例,基于logistic回归的机器学习技术,提出一个旅游网站的访问用户行为预测模型。该模型对网站用户的行为数据集合进行预处理,按照固定的比例对数据集合进行分类,验证数据集的分类服从相同的统计分布。最后,建立使用logistic回归机器学习算法相应的模型,对网站用户的行为进行预测。预测结果表明,该模型可以比较准确地预估网站用户的行为。     

改进的基于时变FARIMA模型和小波变换的网络流量预测算法

网络的流量特性是反映网络实时状态的一个重要特征,对于网络流量的分析、预测一直是该领域的研究热点。传统的基于时间序列模型的方法在计算效率和多尺度分析能力方面存在一定的局限性。本文提出了一种改进的基于小波变换和时变FARIMA模型的流量预测方法,利用小波变换的多尺度分析特性将原有的流量数据进行分解,在使用时变FARIMA模型进行预测,可大大提高算法的执行效率和预测的准确性。最后,本文选取了Bellcore提供的真实的网络流量进行了仿真实验,验证了提出的预测方法的准确性和有效性。     

基于LSTM混合模型的时间序列预测

网络流量分析和预测已经成为监控网络的关键。网络预测是捕捉网络流量并对其进行深入研究以决定网络中发生的情况的过程。网络流量的分析和估计的准确性在实现网络服务质量(QoS)的保证方面越来越重要。研究通过将LSTM和ANFIS相结合的形式构建LSTM-ANFI模型,提高网络流量预测性能。实验结果表明,LSTM-ANFI模型在网络流量的预测方面具有一定优势,通过模型对比不难发现该模型优于单一的LSTM和单一的ANFIS模型。就相关指标而言,提出的增强型LSTM R297.95%和增强型ANFIS模型的经验结果是R2=96.78%,适用于蜂窝网络流量数据。     

基于混合遗传神经网络的运动员专项成绩预测系统设计

针对传统运动员专项成绩预测系统一直存在无法达到实质性的综合预测的问题,提出并设计基于混合遗传神经网络的运动员专项成绩预测系统。通过混合遗传神经网络,导入运动员专项数据,根据系统内部节点间调整,对运动员专项数据信息进行处理,建立专项成绩灰色预测模型,实现运动员专项成绩预测。实验数据表明,所设计的成绩预测系统能够进行高精度的专项成绩预测。     

基于ARIMA模型的网络流量预测

:网络流量预测在网络规划、流量管理等方面起着重要的作用,是业务管理的主要研究内容之一。在分析研究网络流量实测数据的基础上,建立了网络流量预测的ARIMA模型,该模型较之传统的Poisson过程、Markov过程等随机模型,能更好地描述Internet多构性、突发连续性和自相似性等特征。在模型定阶之后,运用改进的线性建模方法推导确定了模型参数。给出了不同预测步数条件下的流量预测数据,并和流量实测值进行了对比实验。实验结果表明,该模型在预测步数较小(l<3)的情况下,预测误差在5%左右。     

基于行为日志的性格倾向预测

本文提出了一种基于神经网络的双标签人格检测模型。该模型结合了网络用户的行为特征,并对通过不同分类器传递可用数据得到的结果进行比较。构建了一个改进的LSTM神经网络模型用于有效预测关于行为日志所反映的用户性格特征。实验结果表明,与其他常见神经网络模型相比较,所提出的模型达到了更好的AUC(0.83)。     

改进蚁群算法在虚拟人足球控球队员行为决策中的应用研究

研究了虚拟人足球控球队员的行为策略,基于基本蚁群算法的机制提出了一种改进的蚁群算法,并应用于虚拟人足球控球队员的行为决策.根据控球队员的信息量和队友的信息量以及距离信息为控球队员做出射门、传球或者运球的行为选择.仿真结果表明:该算法可以有效应用于控球队员的行为决策.     

基于改进HMM模型的无线移动通信忙时话务量预测

为了改进传统HMM模型存在的过学习的问题,文章将ANN算法与HMM模型相结合,ANN算法具有很强的抗干扰性,也不存在过学习的问题,刚好弥补了HMM模型的缺陷。并将其运用到无线移动通信忙时话务量的预测中,而且首次将短信数据、用户数据等影响话务量的相关因素纳入考虑,结果表明:ANNHMM模型在综合考虑多种因素的情况下具有良好的预测效果。     

基于改进人口模型的微博话题趋势预测

趋势预测问题是当前社会计算中的研究热点,但微博平台的话题趋势预测还处在探索阶段。在分析、抽取和定义事件趋势的影响因素的基础上,改进了人口模型使其适用于微博趋势预测,然后将改进的人口模型映射在神经网络上,并利用遗传优化的神经网络对事件的趋势进行预测。实验证明,该方法对于预测网络中长期酝酿的事件发展趋势效果明显,能够有效地预测事件的爆发点和发帖量,而且适用于小样本预测问题。