利用AIC决定生丝纤度自回归阶数的探讨

本文探讨了利用AIC确定生丝纤度序列自回归阶数时,纤度波动特性对最优自回归阶数的影响,提出各种不同条件下缫制的生丝自回归阶数的确定方法.通过模拟试验调查了自回归阶数对模拟纤度序列波动特性值误差的影响.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于游程统计的自同步扰码多项式阶数估计

为了获取数字通信中未知线路的自同步加扰信息, 提出了一种自同步扰码多项式的阶数估计方法. 通过对自同步加扰序列的游程特性进行深入研究, 发现了自同步加扰序列的游程统计结果与自同步扰码多项式阶数的对应关系. 利用这一关系, 通过对接收到的自同步加扰序列进行不同长度的游程统计, 根据统计结果的极值变化可以估计出未知线路自同步扰码多项式的阶数. 实验结果验证了理论分析的正确性和自同步扰码多项式阶数估计方法的有效性.     

湖北省粮油工业利润的时序分析

本文将采用随机时间序列模型——自回归模型AR(P)去研究湖北省粮油工业生产利润值序列{y_t},t=1(1970),…,21(1990)。分四个步骤进行:(1)识别模型,检验序列{y_t)的平稳性,并用偏自相关系数(?)确定模型阶数P;(2)估计,求模型参数的OLS估计值;(3)检验,用模型的残值ε_k的自相关系数r_k检验模型;(4)预测,根据所得到的AR(1)模型预测未来期粮油工业利用值。     

基于单位根检验和ARMA模型的桥墩位移稳定性时间序列分析

评估桥墩位移是否收敛和稳定是桥梁健康评估的重要内容。在运用全球定位系统获取桥墩三维监测位移的基础上,首先运用时间序列方法对监测数据进行处理和分析,并使用单位根检验来确定桥梁监测序列是否平稳,为了克服短期偶发因素影响,进而建立自回归移动平均模型对桥梁信号监测数据进行预测分析,最后将桥墩水平位移实测数据与模型拟合结果的残差序列进行单位根检验,以进一步确定桥墩位移的长期稳定性。工程实例表明：单位根检验表明监测序列没有时间趋势,不存在单位根,数据序列为平稳序列,具有常均值和方差;自回归移动平均模型能够较好地刻画监测数据,且具有较高的可靠性和可行性;根据平稳时间序列模型的特征,可以计算监测序列的均值和方差。     

基于小波变换集成模型预测径流水位的研究

为获得更精确的径流-水位预报结果,利用Dmey小波变换将水位时间序列分解为高频信号和低频信号,再使用均生函数-最优子集回归对其进行预测,最后利用Dmey小波逆变进行重构,以此建立水位预测模型.通过对柳江历年水位进行实例分析,并与均生函数最优子集回归模型、逐步回归模型对比.研究结果表明,该模型能充分反映水位时间序列趋势,预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法.     

AR模型阶数的强相合估计

引入贝叶斯因子来判定AR模型的阶数,给出AR模型阶数蠡的一个强相合估计,最后用随机模拟对其与AIC（k）,BIC（k）两种定阶准则进行比较得出,该估计量的判别效果优于AIC（k）准则．     

基于ARIMA模型的变压器油中溶解气体含量时间序列预测方法

变压器油中溶解气体含量是衡量变压器运行状态的重要指标。运用差分自回归移动平均模型(ARIMA)对变压器油中气体含量进行预测,该方法通过python编程以气体含量值对应的时间为索引输入预测模型,在建模中首先对时间序列平稳性进行单位根检验,采用差分处理的方法将原始不平稳时间序列转换为平稳时间序列,而后利用自相关函数和偏自相关函数参数选择原则得出若干组模型,在对若干组模型进行优选的过程中分别使用赤池信息、贝叶斯信息、汉南-奎因3种准则得出一组最优模型,最后通过相关检验方法对优选模型进行残差检验,并利用满足残差要求的模型对气体含量预测。实验表明,提出的预测方法有较高的预测精度,可以为合理安排变压器的状态检修提供有价值的参考。     

AR模型阶数的强相合估计

引入贝叶斯因子来判定AR模型的阶数,给出AR模型阶数蠡的一个强相合估计,最后用随机模拟对其与AIC（k）,BIC（k）两种定阶准则进行比较得出,该估计量的判别效果优于AIC（k）准则．     

基于AR模型的建筑物沉降预测

针对传统回归模型在高层建筑物沉降预测中,出现的由于自变量的选择而造成的多重共线等问题,本文提出了一种以FPE准则定阶的时间序列(AR)模型。以桂林市临桂县某农贸市场周边建筑物的沉降变形为例,在分析利用自相关函数和偏相关函数来对模型进行判定和识别且用FPE定阶准则确定模型的阶数的基础上,对建筑物的沉降观测数据进行建模分析,得到了均方误差为0.055 6的预测精度,很好地克服了传统回归模型中存在的问题,结论具有一定的实用价值。     

三值自相关三元序列偶的新构造

利用2阶Whiteman广义分圆类构造出4类N=p q的三值自相关三元序列偶,其中p=2f+1, q=2f '+1为不同的奇素数,(f,f ')=1.所构造的4类三值自相关三元序列偶,其相关函数的旁瓣值都很小,且与p、q都无关.该结果扩大了原有三值自相关三元序列偶的数量,可为三值自相关三元序列偶的构造提供新的途径.     

拥挤流状态下城市快速路交通流时空特性

为了定量分析拥挤流状态下城市快速路交通流时间和空间特性,首先采用自相关函数法判断交通流率、占有率和速度时间序列的平稳性;其次,研究拥挤流状态下交通流参数空间传递特性;最后,基于混沌分析中的G-P算法建立模型将非平稳的交通流参数时间序列转化为平稳时间序列.研究表明:拥挤流状态下,交通流率表征为平稳的时间序列,速度和占有率属于非平稳时间序列;空间上,上游断面对下游断面的速度参数具有传递作用,下游断面的速度参数对上游具有回溯影响,当时间延迟为2 min时,取嵌入维为4进行相空间重构,可将速度时间序列转化为平稳的时间序列.     

一类双重时间序列模型平稳解的存在性

讨论了双重时间序列模型ｘｔ＝θｔｘｔ－１＋εｔ（１）的平稳解存在的条件，这里，θｔ是平稳的自回归滑动平均ＡＲＭＡ（Ｐ，ｑ）序列。并且，在θｔ是一阶自回归序列ＡＲ（１）时，给出模型（１）有平稳解的显式条件。     

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。     

基于时间序列与DEGWO-SVR模型的隧道变形预测方法

为了对准确预测隧道变形的非等距性及复杂非线性特征,结合时序分析理论、差分进化算法(DE)、灰狼优化算法(GWO)和支持向量回归机(SVR)模型,提出新的隧道变形预测模型. 利用3次样条函数插值法将非等距监测数据等距化;基于时间序列原理将变形分解为趋势项及平稳随机项,并采用所提模型分别对2个分解项进行预测;将各位移分量叠加,实现隧道累积变形的预测. 以重庆市兴隆隧道实测拱顶沉降为例,预测前方ZK37+900和ZK37+910断面拱顶沉降,并与已有模型进行对比. 结果表明：所提模型预测的均方根误差分别为0.193 7 、0.086 9 mm,平均绝对百分比误差分别为1.21%、0.55%,相关系数分别为0.997 1、0.992 8. 相比于已有模型,所提模型的预测精度更高、误差更小,具有更好的适用性及应用前景.     

基于小波变换的系统边际电价分析与预测

摘要：基于小波变换的系统边际电价(System Marginal Price,SMP)数据分析,根据系统边际电价的特点,建立用于系统边际电价预测的模型。利用小波变换时频局部化功能,将原电价时间序列分解成不同的尺度,对不同尺度上的子序列分别采用人工神经网络和AR模型进行预测,最后将不同尺度预测结果通过小波重构还原,得到系统边际电价预测结果。实例验证表明预测模型能有效提高预测精度,可用于系统边际电价预测。     

时间序列在路基填筑期间的应用研究

鉴于高速公路施工的被动性，利用时间序列建立数学模型。对具有非平稳性的表面沉降进行一次差分（d=1）处理，将其转化为平稳性的沉降速率问题，即将非平稳性时间序列ARIMA（p，d，q）模型转化为平稳的ARMA（p，q）模型。建立了ARMA（1，1）模型来对公路施工填筑期间的沉降进行短期预测，从而对下一级加载的时间进行预测。结果表明，预测结果可靠，精度高，能够很好地反映填筑期间沉降的变形特性，适用于高速公路重点断面分析。     

基于MCMC的多维相关系数平稳序列

在相关系数平稳过程的基础上,提出了基于MCMC（Markov Chain Monte Carlo）方法来估计多维相关系数平稳序列模型的参数;给出基于贝叶斯估计的多维相关系数平稳序列模型参数的算法;在无先验信息条件下,模拟验证了用此方法估计二维相关系数平稳序列模型参数的有效性。     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

Adaptive predictive functional control based on Takagi-Sugeno model and its application to pH process

In order to obtain accurate prediction model and compensate for the influence of model mismatch on the control performance of the system and avoid solving nonlinear programming problem, an adaptive fuzzy predictive functional control (AFPFC) scheme for multivariable nonlinear systems was proposed. Firstly, multivariable nonlinear systems were described based on Takagi-Sugeno (T-S) fuzzy models; assuming that the antecedent parameters of T-S models were kept, the consequent parameters were identified on-line by using the weighted recursive least square (WRLS) method. Secondly, the identified T-S models were linearized to be time-varying state space model at each sampling instant. Finally, by using linear predictive control technique the analysis solution of the optimal control law of AFPFC was established. The application results for pH neutralization process show that the absolute error between the identified T-S model output and the process output is smaller than 0.015; the tracking ability of the proposed AFPFC is superior to that of non-AFPFC (NAFPFC) for pH process without disturbances, the overshoot of the effluent pH value of AFPFC with disturbances is decreased by 50% compared with that of NAFPFC; when the process parameters of AFPFC vary with time the integrated absolute error (IAE) performance index still retains to be less than 200 compared with that of NAFPFC.