基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。     

基于弹性小世界回声状态网络的非线性时间序列预测

非线性时间序列预测在物理、医学和经济等领域具有广泛的需求.为提高非线性时间序列的预测精度,提出一种基于弹性小世界回声状态网络的非线性时间序列预测方法.采用小世界网络作为储备池,提高模型适应性;构建l1范数和l2范数联合的弹性惩罚模型,提高模型求解的数值稳定性和精确性.对非线性时间序列进行仿真实验,该方法相比常规方法具有更好的稳定性和更高的预测精度.     

混合模型在经济时间序列预测中的应用研究

研究经济预测问题,为社会经济发展提供预测依据.由于经济时间序列是一种多维、非线性数据,采用单-的线性或非线性模型都不全面反映特点,导致预测精度不理想.为了提高经济时间序列预测精度,提出一种多变量自回归(CAR)和支持向量机(SVM)相结合的混合预测方法.混合方法首先利用CAR模型对经济时间序列的线性部分进行预测,然后采用支持向量机对非线性部分进行预测,将预测结果组合在-起,得到混合模型的预测结果.实验结果表明,混合模型的预测精度明显优于单独模型;发挥了2种模型的优势,得到一种精度高的经济预测效果.     

混沌时间序列的Volterra级数多步预测研究

针对混沌时间序列在多步预测中自适应预测方法的预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,并基于混沌序列产生的确定性和非线性机制、混沌动力系统相空间延迟坐标的重构及二阶Volterra自适应滤波模型,给出了一种混沌时间序列的Volterra级数多步预测方法.在多步预测中,根据已知的样本得到对将来值的预测.仿真结果表明,能够对混沌时间序列进行多步预测,具有较好的预测效果.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,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,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.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CNN和MC的水文时间序列预测组合模型

对于水位精准的预测是预防洪涝灾害的有效措施。在深度学习不断发展的背景下,提出基于卷积神经网络和马尔科夫链的水文时间序列预测组合模型,该模型解决了现有算法未考虑站点之间空间的相关性、多维输入的时候会提高特征提取中数据重建的复杂度,以及单一模型只考虑水位时间序列线性部分而未考虑非线性部分所导致的预测精度低的问题。该组合模型首先运用卷积神经网络训练水位时间序列和降雨量时间序列对未来水位进行预测,并结合原始时间序列计算得到残差序列,再将使用马尔科夫链训练残差序列得到的残差预测结果和卷积神经网络预测的值相加得到最终的结果。实验表明,该方法与现有算法相比,在预报准确率上能够取得更好的效果。     

时间序列模型在降水量预测中的应用研究

研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景.     

一种非线性降维算法在组合预测模型中的应用*

针对视频序列维数高、帧间相关性大、运动轨迹复杂的特点,将LLE非线性降维算法用于视频处理,并重点研究了如何利用该算法对目标跟踪过程中的模板进行预测更新.由于单步预测方法在运动目标发生部分或全部遮挡时无法保证跟踪的准确性,进一步将时间序列模型与BP网络相结合实现跟踪目标的多步预测,从而可以弥补时间序列模型在单步预测方面的不足.实验证明,该算法能保证在运动目标跟踪过程中的准确性和鲁棒性.     

ARIMA与SVM组合模型的石油价格预测

针对复杂时间序列预测困难的问题,在综合分析其线性和非线性复合特征的基础上,提出了一种基于ARIMA和SVM相结合的时间序列预测模型。首先采用ARIMA模型对时间序列进行线性建模,然后采用SVM对时间序列的非线性部分进行建模,最后得到两种模型的综合预测结果。将组合模型应用于石油价格预测中,仿真结果表明组合模型相对于单模型的预测具有更高的精度,发挥了2种模型各自的优势,在复杂时间序列预测中具有广泛的应用前景。     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

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,并将贝叶斯优化算法用于选择深度LSTM模型的超参数。实验结果表明,与其他混合模型相比,该模型在五种不同时间序列预测中能够有效提高预测精度。     

基于GS-LSTM模型的铁路货运量预测

铁路货运量预测的准确性对铁路运输企业制定营销计划和营销决策来说是必要的,尤其是短期铁路货运量的影响至关重要。为了提高铁路货运量的预测精度,提出一种优化长短期记忆网络(Long-Short Term Memory,LSTM)参数的预测模型——GS-LSTM模型,通过利用网格搜索算法(Grid Search)对LSTM模型训练网络中最主要的参数(批量大小、隐含层神经单元个数和学习率)进行优化。基于2005年1月—2021年7月的铁路货运量月度数据,首先建立BP和LSTM模型对预测结果进行比较,LSTM模型比BP模型的MAPE降低1.55个百分点,然后分别对BP和LSTM模型的网络参数进行优化后再进行比较,优化后的2种模型比基础模型的预测效果均有提高,而且优化后的LSTM模型比BP模型的MAPE又进一步降低0.18个百分点。实验结果显示,优化后的LSTM模型预测效果更佳,泛化能力更好,具有很好的研究和使用价值。     

改进FA优化LSTM的时序预测模型

为了提高时序预测精度,提出了一种改进萤火虫算法（firefly algorithm,FA）优化LSTM的时序预测模型（GAFA-LSTM）。针对FA因种群多样性弥散陷入局部最优,影响寻优效果的问题,提出了种群多样性增加机制。FA在完成初始化后加入种群多样性的计算;在满足多样性增加机制的条件下,引入自适应多样性增加机制,有效平衡进化过程中对种群多样性的需求;在迭代后期加入自适应游动参数来避免局部震荡。将改进后的FA用于LSTM模型输入参数的优化,以提高LSTM模型输入参数的准确性。实验部分对改进FA进行了改进效果测试,对GAFA-LSTM模型进行了模型验证。结果表明改进FA具有较好的寻优效果,GAFA-LSTM预测模型较其他预测模型拟合程度与预测精度都有不同程度的提高。     

基于HP-LSTM模型的股指价格预测方法

股指价格时间序列受到长期和短期不同因素的影响,且具有非平稳、非线性等特点,传统计量模型的预测精度较低。为提高预测精度,一些研究将人工神经网络模型用于金融时间序列预测,取得了比传统计量模型更好的效果。提出了一种融合了HP滤波（Hodrick-Prescott Filter）和LSTM神经网络模型的股指价格预测模型,模型使用HP滤波将股指价格时间序列分解为长期趋势和短期波动,利用LSTM神经网络模型分别学习长期趋势和短期波动序列的特征,并分别进行长期趋势和短期波动预测,将预测结果融合得出股指价格预测结果。实验结果表明,提出的HP-LSTM混合模型不仅可以有效捕捉到股指价格时间序列的长期趋势和短期波动的变化规律,提高了股指价格预测精度,并且长期趋势和短期波动都具有相应的经济含义,提高了模型的可解释性。     

SDAE-LSTM模型在金融时间序列预测中的应用

针对金融时间序列预测的复杂性和长期依赖性，提出了一种基于深度学习的LSTM神经网络预测模型。利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征，将其作为LSTM神经网络的输入对金融时间序列进行预测；通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度。利用股价指数数据，与传统的神经网络的预测结果进行比较，结果表明基于深度学习的LSTM神经网络具有比较高的预测精度。     

基于多尺度特征和注意力的金融时序预测方法

金融时间序列预测是经济领域中一个非常重要的实际问题,然而,由于金融市场的噪声和波动性,当前存在方法的预测精度尚不能令人满意。为了提高金融时间序列的预测精度,提出了一种融合扩张卷积神经网络（dilated convolutional neural network,DCNN）、长短时记忆神经网络（long short term memory,LSTM）和注意力机制（attention mechanism,AT）的混合预测模型DCNN_LSTM_AT。该模型由两个部分组成：第一部分包含扩张卷积神经网络和基于LSTM的编码器,其功能在于提取原始序列数据中不同时间尺度的有效信息;第二部分由带注意力机制的LSTM解码器构成,其功能在于对第一部分提取的信息进行过滤并利用过滤后的信息进行预测。最后将所提模型在3支股指数据集和3支个股数据集上进行实验,并与其他常见的基准模型进行了对比,实验结果表明该模型相比于其他模型具有更好的预测精度和稳定性。     

基于GRU-LSTM组合模型的云计算资源负载预测研究

日益增多的应用部署在云端使得云数据中心的功耗波动剧烈,从而导致云数据中心资源利用率不平衡,高效的负载预测是解决该问题的关键技术。针对目前负载预测模型预测精度低、预测时间长的问题,建立一种基于门控循环单元（GRU）与长短期记忆（LSTM）网络的组合预测模型GRU-LSTM。该模型的网络结构包括3层,第一层采用GRU,利用GRU参数少、易收敛的特点减少模型训练时间,第二、第三层采用LSTM,结合LSTM参数多的优势提高模型的预测精度。在此基础上,对数据集作缺失值处理和标准化处理,使用随机森林算法对原始序列进行特征选择后得到一组新的序列值,将该序列值作为GRU-LSTM组合预测模型的输入,以对云计算资源进行高效预测。在集群公开数据集Cluster-trace-v2018上进行实验,结果表明,与传统的单一预测模型ARIMA、LSTM、GRU以及现有的组合预测模型ARIMA-LSTM、Refined LSTM等相比,GRU-LSTM模型预测结果的均方误差减少6~9,预测时间平均缩短约10%。     

结合深度学习和分解算法的股票价格预测研究

针对股票价格预测问题,实现对非平稳、非线性股票价格序列的预测,提出一种结合深度学习和分解算法的股票价格预测模型。该模型引入自适应噪声的完整集成经验模态分解（CEEMDAN）算法提取股票价格时间序列在时间尺度上的特征,利用注意力机制捕获输入特征参数的权重并结合门控循环单元（GRU）网络进行股票价格预测。实验对苹果、贵州茅台等国内外四家公司的股票价格和上证指数进行预测,结果表明与RNN、LSTM等模型相比,所提模型能有效减少预测误差,提高模型拟合能力。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测

近年来,以循环神经网络（RNN）为主体构建的预测模型在短期电力负荷预测中取得了优越的性能。然而,由于RNN不能有效捕捉存在于短期电力负荷数据的多尺度时序特征,因而难以进一步提升负荷预测精度。为了捕获短期电力负荷数据中的多尺度时序特征,提出了一种基于多尺度跳跃深度长短期记忆（MSD-LSTM）网络的短期电力负荷预测模型。具体来说,以长短期记忆（LSTM）网络为主体构建预测模型能够较好地捕获长短期时序依赖,从而缓解时序过长时重要信息容易丢失的问题。进一步地,采用多层LSTM架构并且对各层设置不同的跳跃连接数,使得MSD-LSTM的每一层能够捕获不同时间尺度的特征。最后,引入全连接层把各层提取到的多尺度时序特征进行融合,再利用该融合特征进行短期电力负荷预测。实验结果表明,与单层LSTM和多层LSTM相比,MSD-LSTM的均方误差总体下降了10%。可见MSD-LSTM能够更好地提取短期负荷数据中的多尺度时序特征,从而提高短期电力负荷预测的精度。