一种时间序列数据预测方法的应用

介绍了一种利用时间序列数据进行预测的灰色预测方法。通过实例建立了GM（1，1）修正模型。与传统的预测方法相比，灰色预测方法具有原始数据样本少，无需典型分布，建模过程简单，预测精度较高等特点。     

科学数据时间序列的预测方法

针对传统的时间序列分析方法预测科学数据效果较差的特点,提出了一种结合自组织神经网络和灰色理论的时间序列预测方法。该方法利用度量时间序列相似性距离函数,将时间序列按照其变化规律分成不同的类别,并在GM算法中针对白化参数进行优化,对科学数据时间序列进行自组织聚类,针对各类别采用灰色理论建立预测模型。试验表明,该模型适合科学数据的变化特点,提高了预测精度。     

灰色模型数据序列光滑比的改进及应用

由于ＧＭ（１,１）模型在建模过程中的问题,造成模型的应用具有一定的局限性,为改变这种局限性,本文从提高原始数据序列光滑比的角度出发,提出一种新的改进方法,从而拓宽了灰色预测模型的应用范围,并提高了模型的拟合精度和预测精度。     

基于时间序列神经网络的温度场预测分析

为合理将人工冻结法应用于地下工程建设中,确保冻结壁的稳定性。通过对人工冻结试验过程中的温度场进行预测分析,利用神经网络对样本进行学习,并与实测数据进行对比,表明该方法可以较为准确地对未知温度场进行预测。通过对西南某地区泥炭土进行冻结试验,试验结果表明：在封闭不补水条件下人工冻结试样冷端温度越低,土体的降温速率越快,温度场稳定后值越小。以实测温度场构成时间序列,基于神经网络,通过建立时间序列神经网络预测模型对泥炭土的温度变化进行预测,对比实测值和预测值,平均绝对误差为0.066 8,均方根误差为0.034 7,整体误差较小,该预测模型能够较为精确地预测温度场变化规律。     

数据驱动型时间序列预测方法综述（英文）

阐述了时间序列、时间序列预测及其方法,研究了时间序列预测定量分析的主要内容--数据驱动型时间序列预测方法,分析了其预测原理、特点、关键技术和研究热点,在此基础上讨论了数据驱动型时间序列预测方法的适用性及发展趋势.     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

在线时间序列预测方法及其应用

为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.     

基于BP网络的混沌时间序列预测模型

本提出了一个基于BP神经网络的混沌时间序列预测模型。该模型具有较强的预测能力，可有效地对复杂的混沌售进行预测。     

时间序列下同种产品销售预测方法的比较分析

综合考虑企业的可控因素、不可控因素和产品市场的变化,对产品销售的定性预测方法和定量预测方法进行了系统的分析与比较,并结合实例对不同方法建立的数学模型的预测精度进行了分析与比较。以期运用基于时间序列下的数学模型来准确预测新产品未来销售额,从而有计划、有组织地启动企业的可控因素,进行正干扰,减缓产品销售衰退期的到来。     

一种非线性分形的时间序列模型表示法

提出了一种基于非线性映射的迭代函数系统（ Ｉ Ｆ Ｓ）,并以此作为一个时间序列的模型。为了保证模型成立,文中给出了映射收缩条件并进行了证明。非线性函数以分段函数形式给出,文中讨论了当非线性函数取为多项式形式时模型的求解方法,并对湖底回波进行了实验。实验结果表明,非线性 Ｉ Ｆ Ｓ产生的吸引子能够很好地逼近原信号。     

一种时间序列相似性的快速搜索算法

时间序列数据库中相似子序列的搜索,常用滑动窗口、分形插值逼近等方法将时间序列分割成各子序列,线性拟合各分段子序列,计算查询序列与各子序列的欧氏距离,满足距离阈值条件的为相似子序列.这些方法忽略了时间序列本身的位置和连贯特性.为此提出时间序列变化关键点的概念,以检索出的关键点为边界分割时间序列,线性拟合各分割的子序列,计算查询序列和各子序列的形态距离,快速搜索出相似子序列.     

一种准确预测无线局域网业务量的时间序列模型

在对随机选取的实际环境中的多组无线局域网业务量数据的研究过程中,发现无线局域网业务量具有明显的多重季节性．利用差分和特定间隔抽样对原始数据处理,从而验证了无线局域网业务量的季节性．并提出了一个能够准确预测无线局域网业务量的时间序列模型：乘积型季节ARIMA(0,1,1)(0,1,1)₁₂模型,通过迭代计算,将此模型转化成一个MA模型,并且利用MA模型的性质对模型参数作出估计．利用差分方程法,对随机选取的一段无线局域网业务量进行了预测．结果表明,此模型可较好地对无线局域网的业务量进行短期预测,且提前10步预测的平均相对误差仅为0.0401．     

基于时间序列分析的无为县降水量预测模型的研究

以无为县为研究区域,利用1957~2016年降水量资料,采用时间序列分析的方法,研究了降水量预测模型。结果表明,无为县年降水量随机性强,相关性弱,采用5年叠加的方法增强序列的相关性,得到了平稳的新序列,对新序列选用ARMA(1,2)模型拟合,精度较高,拟合效果良好,利用该模型对未来的值进行预测,发现无为县5年叠加降水量自2017年至2019年处于下降通道。     

测井时间序列的替代数据混沌判定方法的研究

利用测井时间序列进行计算机自动测井解释已成为正确认识油层地质规律的重要途径,但能够有效区分沉积相的曲线特征却难以提取.由于测井时间序列的非均质性,线性特征已不能满足逐渐细分的多种沉积微相的分类要求.而提取时间序列的非线性(混沌)特征时,首先要判定它是否含有混沌特性.这里将替代数据法应用于某油田的3种真实测井数据的混沌判定,并结合全井的关联维数做判据进行实验.得出的判据显示,3种测井时间序列均含有混沌.这一结果表明,具有复杂形态的测井时间序列可以用低阶非线性模型或适当的分维特征来描述.这为进一步应用混沌时间序列分析方法研究测井数据打下了理论基础.     

一种适于高维时间序列的特征提取方法

为了获得更多的信息，越来越多的数据利用多路传感器进行采集，由此产生了大量的超高维时间序列。特征的提取在处理和传输这些数据中起到至关重要的作用。为此，提出一种最优鉴别平面（ODP）技术以消除数据冗余。该平面由两个在Fisher准则基础上建立起来的相互垂直的矢量组成，将模式样本投影到ODP上可得到二维特征矢量。为了衡量特征的有效性，分别用二次判别函数分类器和阈值矢量分类器对特征进行分类测试。同时，以心电信号为例对ODP方法进行测试，结果表明，该方法应用于超高维数据的特征提取是行之有效的。     

多变量时间序列CAR模型在短期光伏发电量预测中的应用

提出一种采用多变量自回归时间序列CAR(Controlled Auto-regressive)模型作为预测光伏电站发电量的方法。该方法利用灰色关联度分析影响光伏发电量的关键气象环境因子,结合光伏电站历史数据,基于CAR模型建立了短期光伏发电量预测模型。以华中科技大学电力电子研究中心18kWp并网光伏电站资料进行预测试验,并通过调整模型参数获得了适合的模型,结果验证了该方法的有效性。应用结果表明,天气良好时,预测精度较高,对光伏电站发电管理具有一定的参考价值。     

多因素时间序列的灰色预测模型

对于传统的单因素时间序列预测法在实际应用中的不足之处,提出采用灰色DGM(1,1)模型和多元线性回归原理相结合的方法,综合各种因素建立多因素时间序列的灰色预测模型。它首先利用DGM(1,1)模型对影响事物发展趋势的各项因素进行预测;然后利用多元线性回归法将各种因素综合起来,以预测事物的发展趋势。最后将该模型应用于预测分析陕西省的就业状况,取得了较好的预测效果,同时也验证了此模型的可行性。