基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

基于小波分析和相空重构相融合的风速预测

研究风速准确预测问题,针对风速具有随机性、间歇性以及混沌性,且含有大量噪声,造成预测精度误差.为提高风速预测精度,提出一种小波分析和相空间重构相融合的风速预测方法.首先采用小波技术消除风速历史数据,然后用混沌理论对数据重构,最后数据输入到支持向量机训练,并采用遗传算法优化支持向量机参数,建立最优风速最优预测模型.结果表明,相对传统预测方法,小波分析和相空间重构预测方法更能准确刻画风速的复杂变化特点,提高了风速的预测精度,也为其它非线性预测问题提供了一种新的研究思路.     

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.     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于小波支持向量机的混沌时序预测算法

研究混沌时间序列预测问题,混沌时间序列是一种特殊时间序列,具有高度非线性、混沌性和时变性,传统预测方法精度低。为了提高混沌时间序列预测的精度,提出一种采用小波支持向量机的混沌时间序列预测算法。首先采用相空重构对混沌时间序列进行重构,捕捉时间序列变化轨迹,然后采用小波支持向量机对非线性、混沌性变化规律进行预测,最后采用Lorenz混沌时间序列进行仿真。结果表明,相对于传统预测方法,小波支持向量机提高了混沌时间序列预测精度,降低预测误差,为混沌时间序列提供了一种有效的准确预测途径。     

基于小波变换的网络流量组合预测模型

为了提高网络流量的预测精度,利用小波变换、差分自回归移动平均模型和最小二乘支持向量机等优点,提出一种基于小波变换的网络流量预测模型(WA-ARIMA-LSSVM)。针对网络流量多尺度特性,首先对网络流量时间序列进行小波分解,然后分别采用差分自回归移动平均模型和最小二乘支持向量机对网络流量的高频和低频进行建模与预测,最后小波重构高频和低频的预测结果,并采用仿真实验对模型性能进行分析。结果表明,WA-ARIMA-LSSVM提高了网络流量的预测精度,可以更加准确地描述网络流量的非平稳变化趋势。     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

非均衡数据的去噪模糊支持向量机新方法

针对支持向量机对噪声的敏感,以及当两类训练样本数量差别悬殊时,造成分类结果倾向较大类等弱点,通过理论分析,合理地设计隶属度函数,提出了一种新隶属度函数的模糊支持向量机。该方法既可补偿倾向性造成的不利影响,又可增加抗噪声能力,提高预测分类精度。最后通过对含噪声的非均衡数据实验表明,该方法比传统支持向量机和简单去噪模糊支持向量机都有着较高的分类能力。     

基于粒子群优化的Wv-SVM燃气负荷预测

针对传统预测模型精度不高的问题,提出基于小波核支持向量机的复合预测模型。采用小波分析提取燃气负荷相关的特征值,通过粒子群优化算法确定小波核支持向量机的参数,利用支持向量机(SVM)解决非线性回归和时间序列问题。实验结果证明,该预测模型的预测精度比BP神经网络和传统高斯核SVM高。     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机（LS-SVM）混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

遗传优化支持向量机在电力负荷预测中的应用

研究电力负荷准确预测问题,电力负荷与影响因子之间呈现复杂非线性关系,传统预测方法无法刻画其变化规律,预测精度低。为提高电力负荷预测精度,提出一种采用遗传优化支持向量机的电力负荷预测模型。采用最小二乘支持向量机的非线性逼近能力去描述电力负荷与影响因子间的复杂非线性关系,并采用自适应遗传算法优化最小二乘支持向量机的参数。采用某省1990～2008年电力负荷数据仿真测试,结果表明,遗传优化支持向量机提高了电力负荷的预测精度,预测平均误差低于其它对比模型,电力负荷预测提供了一种新的研究思路和途径。     

基于小波支持向量机的图书馆借阅量预测

当前图书馆借阅量预测方法无法描述混沌性等非平稳变化特征,导致图书馆借阅量预测错误差大,为了改善图书馆借阅量的预测效果,设计了基于小波支持向量机的图书馆借阅量预测方法。首先对当前国内外图书馆借阅量的预测研究现状进行分析,找到引起图书馆借阅预测误差大的原因,然后收集图书馆借阅量预测的历史数据,并通过混沌分析算法对历史数据进行重新构造,并引入小波支持向量机实现图书馆借阅量预测模型的建立,最后与其它图书馆借阅量的预测方法在相同环境进行对比测试。提出的方法可以对图书馆借阅量的变化特征进行深度挖掘,图书馆借阅量预测精度超过95%,高于对比方法图书馆借阅量预测精度,获得更加可靠的图书馆借阅量的建模和预测结果。     

话务量预测模型的建立与仿真研究

研究话务量预测精度问题,由于话务量受到节假日、周末等影响,记录数据浮动性大,存在周期性和时变性等特点。传统预测方法对工作日和节假日话务量采用同一个模型预测,导致预测结果不稳定,时高时低。为了提高话务量预测精度,针对话务量变化特点,提出一种支持向量机的话务量预测模型。利用话务量数据分正常工作日和周末两大类,再分别用支持向量机建立预测模型,采用模型对相应时间段话务量进行预测。实验结果表明,支持向量机模型提高了话务量预测精度,减少了预测误差,更准确刻画了话务量变化规律,为话务量网络管理提供了一种新的预测工具。     

基于后效时间长度的股票价格预测

研究股票价格准确预测问题,针对股票走势预测受政治经济变化等多种因素的影响,具有较强的时变性和非线性特性。传统方法多为线性系统的预测方法,不能有效提高预测精度。为准确确定股票走势后效的时间长度,提高预测精度,根据地统计学与支持向量机提出了一种新的股票价格预测方法。先对数据进行平稳化处理并以地统计学分析股票价格数据的结构性,确定后效时间长度,根据后效时间长度确定各样本的拓阶次数,并对数据进行主成分分析,消除各描述特征携带的噪音。最后采用非线性支持向量机对得到的主成分构建模型并预测。以深发展A股与上证A股两个数据集进行仿真,预测精度均明显高于参比模型。仿真结果表明,新方法能准确预测股价走势,且稳定性好,为股价预测领域提供了有效的手段。     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

基于多重核学习支持向量机短期负荷预测研究

近年来,支持向量机（SVM）方法在电力系统负荷预测领域的应用研究成为了热点,鉴于传统的标准支持向量机方法在预测时间和预测精度方面的不足,首次将多重核支持向量回归方法（Multiple Kernel Learning,MKL）应用于电力系统短期负荷预测领域。通过在混合核空间求解二次约束下的二次规划问题实现多重核支持向量回归算法。该方法较标准的支持向量回归算法,不仅可以提高预测性能,而且能够减少支持向量的个数。实际算例表明,该方法能够有效地提高预测精度,缩短预测时间,具有良好的泛化性能。     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机(LS-SVM)混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

An Improved Lung Sound De-noising Method by Wavelet Packet Transform with Pso-Based Threshold Selection

Lung abnormalities and respiratory diseases increase with the development of urban life. Lung sound analysis provides vital information of the present condition of the pulmonary. But lung sounds are easily interfered by noises in the transmission and record process, then it cannot be used for diagnosis of diseases. So the noised sound should be processed to reduce noises and to enhance the quality of signals received. On the basis of analyzing wavelet packet transform theory and the characteristics of traditional wavelet threshold de-noising method, we proposed a modified threshold selection method based on Particle Swarm Optimization (PSO) and support vector machine (SVM) to improve the quality of the signal, which has been polluted by noises. Experimental results show that the recognition accuracy of de-noised lung sounds by the improved de-noising method is 90.03%, which is much higher than by the other traditional de-noising methods. Meanwhile, the lung sound processed by the proposed method sounds better than by other methods. All results make it clear the modified threshold selection can obtain a better threshold vector and improve the quality of lung sounds.     

研究生招生规模建模与预测

研究生招生规模准确预测问题,研究生招生规模受到国家招生政策、政治、经济、社会需求等诸多因素的影响,影响因素之间关系错综复杂,具体量化难,表现为非线性过程。传统线性模型预测的准确率较低。为提高研究生招生规模的预测准确率,提出基于支持向量机的研究生招生规模预测模型。针对研究生招生历史数据零散、影响因素难以确定性描述等问题,通过对黑龙江省1981～2000年研究生招生历史数据进行分析的基础上,建立上了支持向量机的预测模型,并对2000～2004年的招生规模进行预测预测,预准确率度比较相近。仿真结果表明,支持向量机为研究生招生规模预测提供了一种新的研究方法。