ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

基于XGBoost融合模型的交通流量预测技术研究

为了提高城市交通信息管理能力、交互能力和处理能力,提出了基于XGBoost融合模型的交通流量预测系统。构建了梯度方向直方图(HOG)特征信息模型,采用支持向量机(SVM)分类器对城市交通信息进行识别,增强了道路信息识别能力。同时,构建了基于XGBoost融合模型的交通流量预测系统。XGBoost融合模型将分类回归树(CART)作为基分类器,应用Label Encoding和one-hot Encoding方式实现原始数据集的编码,集成多个决策树模型,共同决定样本的预测结果。通过调整模型参数,可防止出现过拟合。通过对不同数据信息进行分类,提高了数据监控能力。试验结果表明,该研究对车辆图像的识别率较高,对交通流量的预测数据的误差百分比始终低于0.1。该研究能够加强城市交通系统监控,提高交通数据信息分析和应用能力。     

小波支持向量机在交通流量预测中的应用

交通流量预测是智能交通管理系统的基础,预测某段单位时间内交通流量,难以准确刻画交通流量的时变性、突发性和非线性等变化规律,传统方法使交通流量预测精度低.为了提高交通流量的预测精度,提出小波分析的支持向量机预测模型,并应用于交通流量预测中.模型首先对交通流量进行小波分解,使交通流量平稳化,得到交通流量信号的高频和低频部分,采用支持向量机进行预测,最后将高频和低频部分的预测结果采用小波重构,获得最终预测值.仿真结果表明,小波支持向量机模型提高了交通流量预测精度和预测速度,为交通流量准确预测研究提供了依据.     

时序模型ARIMA在数据分析中的应用

时间序列是进行趋势分析的方法之一。随着大数据时代的到来,经济趋势、企业经营、市场预测和天气预测等常常需要进行预测和分析。本文对某知名化妆品公司2010年至2018年间的2122条股票数据,采用ARIMA模型进行趋势分析,预测未来的发展趋势。通过模型的拟合与效果考核,所得到的结果说明了应用ARIMA模型对股票进行趋势分析时,可以取得较好的预测效果。     

基于Delphi和Matlab的混合编程方法在交通流量估算中的应用

为解决城市日益严重的交通拥堵问题,对交通流量的准确估计就变得十分重要.本文利用一种基于组件对象模型(COM)的Delphi与Matlab混合编程方法对历史交通数据进行拟合分析来估算交通流量,得到的数据结果准确、可靠.开发出来的软件使用简单,灵活.此方法大大提高了预测未来交通流量的水平和效率.     

基于小波分析的交通流量异常数据检测*

针对交通拥堵成为制约城市经济和社会发展的这一“瓶颈”,从提高交通控制系统性能的角度来解决城市交通拥堵问题。首先采用小波分析,交通流量数据的高频与低频分量分离;其次,求得原始信号与重构信号的差值;最后,结合最小二乘法找出数据中的异常点。通过对实际道路的交通流量进行实验,验证了该方法能准确地检测出交通流量中的异常数据,使误判率和漏判率都得到极大的降低,为实际的交通信号控制系统提供可靠的数据。     

基于小波多尺度的网络论坛话题热度趋势预测

文中基于小波多尺度分析进行网络论坛话题热度趋势的预报.该方法主要是对由帖子的点击数(或回复数)所形成的原始时间序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARIMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得网络论坛话题热度的最终预测.实验表明:将本方法用于网络论坛话题的热度趋势预测,可得出良好的预测精度.     

基于ARIMA模型的工业锂电池剩余使用寿命预测

研究了随机建模技术在锂电池剩余使用寿命预测中应用.基于此,使用Box-Jenkins ARIMA模型模拟锂电池退化过程.在NASA PCoE获取锂电池测量数据集,采用ADF单根检验与差分法对锂电池容量原始数据平稳化处理.结合自相关函数与偏自相关函数进行参数估计,构建多个ARIMA模型,并通过评估各种估计参数验证各个模型的有效性,根据AIC、SC准则与正态化BIC选择最佳预测模型.在对所选模型进行严格评估之后,ARIMA （2,1,2）被识别为最佳拟合模型.使用ARIMA模型获得了比较精确的预测结果,结果表明ARIMA模型预测锂电池剩余使用寿命短期内具有较高的精确度和较强的可行性.     

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时同序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.     

基于非凸低秩稀疏约束的船舶交通流量预测

为有效预测船舶交通流量,利用非凸低秩稀疏分解模型将交通流量数据分解成低秩和稀疏两部分,然后采用自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)分别预测低秩和稀疏部分,进而合并得到最终的船舶交通流量预测结果;最后以天津港2003-2014年船舶交通流量历史数据为例进行模型验证和预测分析。实验结果表明,本文方法较神经网络模型能够显著地提高船舶交通流量的预测精度,为船舶交通流量预测提供了一种新的预测方法。     

基于多延时动力系统的交通流量建模

为了改善多车道、路况可变、流量可变的复杂交通环境中关于道路交通流量的问题,采用多时段延时动力系统思想,建立了基于动力系统的道路交通流量新模型．该模型可以描述前后多时间段对道路交通流量的相互影响．仿真数据结果表明,新模型能够模拟真实的交通流量变化,同时对于控制交通流量以及分析交通系统的特点是有效的．     

时序峰值预测的最小二乘支持向量回归模型

针对最小二乘支持向量回归模型中,呈稀疏分布的时序峰值样本拟合预测误差偏大的问题,基于加权最小二乘思想,提出一种新的用于时序峰值预测的最小二乘支持向量回归模型.根据样本分布密度和输出期望幅值,优化了经验风险控制目标.解得模型的拟合预测误差不受样本分布的影响,而且在保持整体样本拟合预测精度的同时,对峰值样本的拟合预测精度有了显著提高.Lorenz时序预测和电力负荷预测的仿真结果表明了模型的有效性.     

无线传感器网络中最大化网络寿命的数据聚合路由

针对数据聚合无线传感器网络寿命最大化问题,分析了网络流量和节点能耗,提出了数据聚合路由问题的网络流量模型,并将网络最大寿命与流量模型相结合设计了一组混合整数规划代价函数.采用对偶分解的方法,获得了近似最优的中继传输速率和路由.仿真实验表明,该算法能有效减少数据通信量,均衡各个节点的能量消耗,延长网络寿命.     

一种新的基于遗传算法的压缩感知重构方法 及其在SAR 高分辨距离像重构中的应用

首先提出一种基于遗传算法的压缩感知重构新方法,并设计了具体的算法流程.该方法运用遗传迭代思想,在稀疏度未知的情况下可准确重构出原始信号,避免了子空间跟踪问题.在此基础上,进一步将所提新方法应用于合成孔径雷达(SAR)高分辨距离像的重构,同时建立了相关的SAR系统模型,构造了有效的稀疏变换矩阵和观测矩阵.仿真结果表明了所提出方法的有效性,同时验证了该方法用于SAR高分辨距离像重构是可行的和鲁棒的.     

基于混合KPLS-FDA的过程监控和质量预报方法

提出一种基于核偏最小二乘(KPLS)与费舍尔判别分析(FDA)相结合的过程监控和质量预报方法—–混合 KPLS-FDA 方法.首先,利用 KPLS 提取过程数据的非线性特征,使用 FDA 建立 KPLS 的内部模型;然后,求出满足最大分离度的核 Fisher 特征向量和判别向量来实现状态监测,若系统运行正常,则根据 KPLS 回归模型预报产品的质量,否则利用 Fisher 相似度系数确定故障类型;最后,通过轧钢过程的仿真研究验证了混合 KPLS-FDA 方法的有效性.     

基于马尔可夫链策略的传感器网络节点密度控制算法

如何保证多跳自组织网络的连通性是无线传感器网络研究的核心问题.在正态遮蔽衰退模型的基础上,借助状态转移概率矩阵提出一种基于马尔可夫链策略的节点密度控制算法.该算法利用一步转移概率矩阵求出信号在任意节点对之间互达的迟早概率,并通过令节点间信号互达的迟早概率趋近于1来逼近网络全连通时的最小节点密度.实验结果表明,与R.HEKMAT算法相比,所提出的算法能有效降低数值误差,从而提高算法结果与实验数据的吻合度.     

无模型容积卡尔曼滤波及其应用

提出一种融合高斯过程回归(GPR)的无模型容积卡尔曼滤波(MF-CKF)方法.容积卡尔曼滤波(CKF)是一种新的非线性高斯滤波方法,比无迹卡尔曼滤波(UKF)更具优势.为了克服建模不准确时容积卡尔曼滤波精度下降问题,通过将高斯过程回归引入到容积卡尔曼滤波之中,对训练数据学习建立系统非线性模型,从而有效地避免模型不准确造成的滤波性能下降.仿真结果验证了无模型容积卡尔曼滤波在系统模型不准确情况下的优越性.     

基于矢量基学习的浸出过程在线建模

传统的支持向量回归算法因基于批量训练方法而无法适应浸出过程在线建模实时性的要求.在分析研究一种基于矢量基学习的支持向量回归算法的基础上,提出了基于矢量基学习的浸出过程在线建模方法.利用贝叶斯证据框架优化模型参数,分析新样本矢量与矢量空间的夹角,从而推导出该样本是否为基矢量.将该方法应用于浸出过程浸出率的预测,实验结果表明,该方法不但能很好地跟踪浸出率的变化趋势,而且显著地缩短了运算时间.     

基于改进S 变换和贝叶斯相关向量机的电能质量扰动识别

提出一种改进S变换和相关向量机相结合的电能质量扰动分类法.首先通过引入调节因子构建时频分辨率可控的改进S变换,从而提取各类扰动信号的时频特性;然后利用层次分类法与最小输出编码法构建贝叶斯相关向量机多级分类树模型,实现电能质量扰动信号的分类与识别.研究表明,该方法能在强噪声背景下获得高精度的扰动分类识别率,具备比S变换更高的时频分析能力,较支持向量机需要更少的相关向量数目,测试时间更短.     

基于概率假设密度的多目标视频跟踪算法

研究目标数变化的多目标视频跟踪问题.首先阐述了概率假设密度(PHD)滤波的基本原理;然后给出序列图像多目标跟踪系统的运动目标检测算法、状态方程、观测方程以及基于高斯混合概率假设密度(GM-PHD)的多目标视频跟踪算法的具体实现.该算法有效解决了新目标出现、目标合并、目标分裂及目标消失等多目标跟踪问题.实验结果表明,该算法在复杂场景下具有较强的鲁棒性,能有效实现目标数变化的多目标视频跟踪.