基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于相空间重构和支持向量机的矿井涌水量预测

针对矿井涌水量典型的非线性特征,应用相空间重构与支持向量机耦合方法进行预测。将矿井涌水量的时间序列作相空间重构,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。实例计算表明:与其他维数相比,当嵌入维数为4时,矿井涌水量的预测精度最高,说明引入最小嵌入维数是正确的。为检验该方法预测的可靠性,分别采用最小二乘法、指数函数法、相空间重构与支持向量机耦合法对实际矿井涌水量观测值进行回归预测。结果表明,非线性方法的预测效果比线性方法更佳。不同核函数预测结果证实RBF是最优的。     

昆明年降雨量时间序列的混沌分析

降雨对水文水资源系统的预报预测是极其重要的.应用重构相空间技术和混沌理论对昆明1951-2010年降雨时间序列的特性进行了分析,通过研究嵌入相空间维数和关联维数之间的变化关系得到了饱和关联维.结果表明,昆明年降水系统中的混沌现象是存在的.这一研究结果为利用混沌理论建立预测模型提供了较为科学的依据.     

非线性时间序列相空间重构参数选取方法研究

基于非线性时间序列相空间重构的延迟时间和嵌入维数这两个参数的选取互不相关的观点,提出用互信息法确定时间延迟,用伪邻近点法和平均伪邻近点法相结合的方法确定嵌入维数的新思路。通过对几种典型的混沌动力学系统的数值验证,表明该方案能够确定出相空间重构的有效延迟时间和最佳嵌入维数,能够从时间序列中有效地重构原系统的相空间。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

多变量时间序列的短期负荷预测模型及其方法研究

电力系统负荷预测是日常生活中电力系统调度部门的一项重要工作,预测精度的高低直接影响到电力系统的安全性、经济性和供电质量.混沌理论中,负荷预测模型的建立通常由单变量时间序列的相空间重构来实现,但实际过程中往往难以确定是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时.因此,将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了预测模型.研究结果表明多变量时间序列的预测效果有较大提高.     

基于混沌时间序列的煤矿瓦斯浓度短期预测

利用混沌时间序列短期可以预测的特点,构建煤矿瓦斯浓度预测模型．根据Takens理论,重构煤矿瓦斯浓度相空间,分别采用伪近邻法确定相空间的嵌入维数m,最小互信息法确定相空间时延r．然后在重构相空间中,运用加权一阶局域法构建煤矿瓦斯浓度的预测模型．结果表明：混沌特性指数λ=0．35684的瓦斯浓度时间序列具有混沌特性,可以在最佳嵌入维数m=6,时间延迟r=6的情况下进行预测,得到的模型均方差为0．3188,预测结果与实际情况符合较好,表明应用混沌理论进行煤矿瓦斯浓度预测是可行的．     

基于Lyapunov指数的混沌预测方法及在水质预测中的应用

根据混沌原理对原水水质时间序列进行了相空间重构,利用自相关系数法、经典G-P算法和改进的最大Lyapunov指数法对新的相空间中原水水质时间序列的延迟时间τ、嵌入维数m、关联维数D和最大Lyapunov指数(λ1)进行了计算.在τ=5,m=9,D=4.489 1,λ1=0.024 2的条件下,利用基于Lyapunov指数的混沌预测方法对天津水源厂1995-2003年原水耗氧量时间序列进行了预测,预测误差低于15%.分析结果表明原水水质时间序列具有混沌特性,利用混沌原理对原水水质时间序列的短期变化进行预测是可行的,混沌理论在水质预测方面具有良好的应用前景.     

基于多重分形理论的河流氨氮时空演变分析

基于时间序列相空间重构思想和多重分形理论,对安徽省某市河道型水源地氨氮的时间序列进行分析,合理选取嵌入滞时τ,采用Grassberger和Procaccia提出的混沌吸引子的G-P算法,构建n维相空间,计算嵌入维数m和分形维数D.计算结构表明:当嵌入维数达到9以后,河流氨氮时间序列动力学系统具有稳定的分形维数1.886,说明有2个因子在影响该水源地氨氮的动态变化,并且该系统的有效自由度为9,为水质系统建模时提供了变量数的上界.     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

基于混沌时间序列分析的股票价格预测

根据股票市场是非线性动力系统的假设,利用混沌理论对混沌时间序列的分析方法,提出了股票价格预测方法。同时利用重构相空间的嵌入维数和延迟时间分别确定经向基函数模型网络的结构和训练样本对,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,并与前馈神经网络模型相比,可得到较好的预测结果,因而在股票时间序列预测中有广泛的实用价值。     

基于混沌相空间技术的地下水埋深预测的BP网络模型

随着社会经济的不断发展,地下水开发和利用程度日益增加,造成了地面沉降、地裂缝、海水入侵等一系列环境地质问题。为了探求人民胜利渠灌区地下水位变化的特征,并对地下水位进行合理的预测,在相空间重构理论的基础上,首先使用自相关函数法对灌区地下水埋深时间序列的延迟时间进行求解,然后运用G-P算法求出时间序列的最佳嵌入维数,最后采用小数据量的方法从时间序列中提取出Lyapunuov指数,对灌区地下水埋深时间序列的混沌特性进行研究。并建立基于混沌相空间技术的BP神经网络模型,对灌区2013年地下水埋深进行预测。通过与实际观测值的对比分析知,预测结果合理,预测精度较高。     

基于ESN和Elman神经网络的交通流预测对比研究

实时准确的短时交通流预测是实现智能交通系统中交通控制和交通诱导的关键技术之一。由于短时交通流数据的复杂性,首先采用饱和关联维数法和Cao氏法对交通流时间序列的嵌入维数和延迟时间进行计算,并采用Wolf方法计算相空间重构后的交通流时间序列的最大Lyapunov指数。结果表明,交通流时间序列具有混沌特性,可预测性较好。随后,分别采用基于ESN和Elman神经网络的预测方法对交通流时间序列进行预测,结果表明,两者在预测精度相当的情况下,前者的训练速度较后者有了极大的提高。     

基于混沌时间序列的地下水位多步预测模型

利用相空间重构技术,并借助G-P算法、C-C方法和Wolf方法从宁陵地区地下水位一维时间序列中提取 Lyapunov指数,结果表明此时间序列具有混沌特征。计算了宁陵地区地下水位时间序列的关联维数、时间延迟 和最大Lyapunov指数,将局域加权一阶多步预测模型应用于地下水位预测。预测表明,此模型可有效应用于地 下水位时间序列的多步预测。     

A Chaotic ANNs Model for Rivers Daily Runoff Forecast

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

河川日径流预报的混沌神经网络模型

将混沌理论和神经网络相结合,建立了径流预报的混沌神经网络模型.利用混沌理论的相空间重构技术计算饱和嵌入维数,将其作为神经网络的输入层神经元个数;根据模型预测步长确定输出层神经元个数.对黄河干流三门峡站的日流量时间序列进行了模拟和预报,取到了较好的预报效果,为河川径流的预报工作提供了新方法.     

基于一维时间序列的无刷直流电动机混沌引子重构

基于相空间重构原理，针对无刷直流电动机的混沌模型，运用一维时间序列在高维情形下对低维混沌吸引子进行重构，重构后的方程具有和原动力方程相同的动力学特性，可以用于判断系统目前的动力学状态，并通过基于混沌优化算法的改进Wolf方法对重构前后方程的Lyapunov指数进行比较，证明此种重构方法的正确性和实用性.结果表明：采用的重构方法是有效的，与前人的方法相比，不用计算其关联维数和最佳时间延迟，具有简单、快速的特点，为进一步研究混沌预测和混沌控制提供了基础条件.     

我国银行间同业拆借利率的非线性分析

运用R/S方法研究中国银行间同业拆借利率序列得出中国银行间同业拆借利率序列不服从对数高斯分布;中国银行间同业拆借市场不是一个有效的市场,其收益率序列均为服从分形概率分布的持久性时间序列,它们遵循有偏随机游动,市场表现出一定的趋势行为;中国银行间同业拆借利率序列的赫斯特指数H为0.68.也就是中国银行间同业拆借市场呈现出长期记忆等非线性的混沌特征.最后,对中国银行间同业拆借利率时间序列进行相空间重构,并计算出其关联维数.     

相空间重构神经网络模型在我国人口增长预测中的应用

人口系统是一个非常复杂的非线性系统,人口增长是十分重要的人口变化因子,对人口增长的准确预测能为社会经济可持续发展计划的制定提供重要依据.借鉴相空间重构和神经网络,建立了预测我国人口增长的相空间重构神经网络模型.模型运用相空间重构,可挖掘人口增长时间序列更为丰富的信息,利用神经网络建模可较好地解决非线性问题,使预测更符合实际.以我国1950—2002年人口增长数据为例,验证了该模型具有较高的拟和和预报精度,为我国人口增长预测问题提供一种新的解决办法.