一种基于KS检验的时间序列非线性检验方法

检验统计量的选取将对时间序列非线性检验的结果产生重要影响。该文在采用打乱相位法产生替代数据后,引入了一种非参数检验Kolmogorov-Smirnov 检验(简称KS检验)作为检验统计量。通过对各类信号的数值实验及与传统使用的高阶自相关量以及时间反演不可逆量对比结果表明,KS检验是一种有效、稳定的非线性检验统计量,对噪声信号具有较强的抗噪能力,而对非线性信号具有较高的敏感性。     

基于回归神经网络的时间序列非线性分析

本文提出了一种基于局部回归神经网络的时间序列非线性预测分析方法，给出了新的非线性模型训练方法，并针对几类常见的时间序列。给出了实验结果。     

时间序列非线性模型的研究

本文提出了几种时间序列非线性模型，对这些模型的结构和训练方法作了分析和讨论，并针对几类常见的时间序列，给出了实验结果。     

时间序列非线性模型的研究

本文提出了几种时间序列非线性模型,对这些模型的结构和训练方法作了分析和讨论,并针对几类常见的时间序列,给出了实验结果。     

无线传感器网络时间序列流量预估算法

提出了一种专用于无线传感器网络流量预估的时间序列模型ATFA/WSN。ATFA/WSN可对未来工作周期内的网络流量进行预估,并根据预估值实现对网络路由、占空比、能耗等的自适应控制。对采集的流量数据经过NS2仿真实验进行预估并和原始流量对比,发现该模型预估的流量和原始值偏差很小,将其应用于SMAC协议的自适应占空比控制,取得了较好的节能效果。     

基于时间序列分析的纪特邮票发行量预测

在调查了国家邮政局在纪特邮票发行过程中的具体操作和分析了纪特邮票数据本身的特点后,采用社会统计学中的时间序列分析法分析了我国近20年来纪特邮票预定量数据,提出了3个纪特邮票预定量的数学模型,预测了今后几年纪特邮票预定量数据。通过对数学模型的求解,获得一些纪特邮票发行内在规律,而这些规律对决策结构在决策过程中有一定的参考作用。     

非线性时间序列的替代数据检验方法研究

目前,替代数据方法已逐渐成为时间序列的非线性成分检验中广为采用的一种方法。但对于具有同原始数据的均值和方差的线性相关高斯过程的零假设,通常产生相应替代数据的FT(FourierTransform)算法不能很好地重构原始数据的Fourier频谱。本文对替代数据方法进行了研究,提出了一种改进的FT算法,使得替代数据既具有原始数据的均值和方差,又具有原始数据的Fourier频谱。利用Gauss数据和logistic方程产生的混沌时间序列数据,证明本文提出的改进算法是可行的,所产生的替代数据是合适的。     

ARIMA模型在半导体产品需求预测上的应用

半导体市场需求的动态变化给半导体制造业的生产决策带来了很大的不确定性.以我国某半导体制造企业的历史订单数据为例,利用SPSS软件的时间序列分析模块建立ARIMA模型进行半导体产品的需求预测.实例表明,应用ARIMA模型进行需求预测具有精度高、数据可靠、操作方便、运行迅速、应变能力强等优点.从而可提高企业以及其合作伙伴的收益,并帮助企业进行更好的生产决策.     

基于ARMA的无线传感器网络流量预测模型的研究

无线传感器网络(WSN)的流量预测研究对于WSN管理具有至关重要的意义。基于WSN的特点,结合自回归滑动平均(ARMA)模型,该文提出了一个面向WSN的流量预测算法。仿真结果表明,该算法具有较高的预测精度;利用本算法对WSN的多路径路由机制进行改进后,可进一步提高WSN的生存期。     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数（ＲＢＦ）神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Ｍａｃｋｅｙ－Ｇｌａｓｓ造血模型方程的数值解数据,对此广义模型与现有的ＲＢＦ模型和梯度径向基函数（ＧＲＢＦ）模型对一笥时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

短时序列预测的新方法

We propose a procedure to forecast short time series with stable seasonal pattern. This new method is motivated by the observations that short time series arise in many situations for the fierce competition. The quantity to be predicted is a yearly accumulation assuming that the partially accumulated data within the year are available. A simple model is proposed to describe the relationship between the yearly accumulation and partial accumulation and analytic results are obtained for both the point prediction and the predicative distribution. A comparison will be conducted between this model and traditional time series forecasting model with data from telecommunication industry. This method works better than the traditional models when only small amount of data are available. It can also be applied to forecast individual observations with a proper disaggregation algorithm.     

一种预测频段占用度的时间序列分析方法

提出了一种基于实际测试数据的频段占用度短期预测方法,该方法首次将经济学中常用的自回归移动平均模型(ARIMA)用于频段占用度的预测,并分析给出了判定模型参数和分析结果。短期预测结果与实际测试结果证明了这种预测方法可以为无线电频率主管部门提供更为精确地掌握频率资源的使用及发展变换情况,为制定政策和指配频率提供基础。     

基于小波分解的某些非平稳时间序列预测方法

提出一种时间序列预测方法,称为小波预测方法.通过小波分解可以将某些非平稳时间序列分解成多层近似意义上的平稳时间序列,然后采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值.对年平均太阳黑子数的预测结果表明,该方法比传统的时间序列预测方法和神经网络预测方法的预测精度高,可以很好地应用于某些非平稳时间序列的预测中.     

一种基于差分隐私和时序的推荐系统模型研究

推荐系统的建立依赖用户的个人隐私信息,攻击者可以通过推荐的结果对用户的状态和行为进行预测.目前,虽然有对基于协同过滤近邻隐私保护的研究,但是对基于模型的隐私保护的关注度并不够高.差分隐私理论定义了一个相当严格的防攻击模型,通过添加噪声使数据失真达到隐私保护的目的,而且用户的兴趣存在兴趣漂移问题,对推荐效果造成影响,因此,提出基于差分隐私理论和时序理论构建基于模型的推荐系统.首先,根据差分隐私理论,给用户的评分数据增加小波动的符合Laplace分布的噪声,增大待分解矩阵的安全系数;然后,在随机梯度下降模型的基础上,将时序因子建模为时间权重,提高模型的准确性.实验证明该算法的准确性,并且为增强隐私研究提供了新的思路.     

An Automatic Forecasting Method for Time Series

An automatic forecasting method is pro-posed concerning automation problem in the field of lin-ear time series forecasting. The method is on the basis of econometric theory and overcomes the difficulty to mine and forecast automatically with econometric models. The proposed algorithm is divided into 4 stages, i.e. preprocess-ing, unit root testing and stationary processing, modeling, and ultimately forecasting. Future values and trends would be estimated and forecasted precisely through the 4 stages of the algorithm according to input data without man-ual intervention. Experimental comparisons were made be-tween the proposed algorithm and the 2 data driven fore-casting algorithms, i.e. moving average method and Holt exponential smoothing method. It was demonstrated with the experimental results that automatic forecasting is fea-sible utilizing the proposed algorithm and higher accuracy can be acquired than these 2 data driven-based methods.     

基于RBF神经网络的时间序列交叉供热负荷预报研究

针对供热过程的特点及节能控制的需要,提出基于RBF神经网络的时间序列交叉供热负荷预报法.首先对现场实测的供热负荷数据进行预处理,取得建立预报模型所需的负荷样本阵列;随后,应用自相关法求取RBF神经网络的输入维数,并分别建立时间序列的横向及纵向预报模型;最后用最小二乘法求出横向与纵向负荷预报的交叉权系数,得到RBF神经网络的时间序列交叉预报模型.仿真结果表明,RBF神经网络交叉负荷预报的精度高于横向负荷预报及纵向负荷预报,其实时性要优于BP神经网络交叉负荷预报.     

基于微粒群算法的LS—SVM时间序列预测

将微粒群算法引入到最小二乘支持向量机(LS-SVM)时间序列预测,建立预测模型。思路来自微粒群算法可以在超平面空间中实现优化搜索,因此,将微粒群算法中的微粒运动公式进行修正,从而实现对LS-SVM的训练。然后用训练过的LS-SVM进行预测,即得到最终结果。将此方法应用于销售量预测,结果表明,此模型有更高的预测精度,而且在不同的LS-SVM学习参数下模型的误差相对稳定。     

Forecasting Method of Stock Market Volatility in Time Series Data Based on Mixed Model of ARIMA and XGBoost

Stock price forecasting is an important issue and interesting topic in financial markets.Because reasonable and accurate forecasts have the potential to generate high economic benefits,many researchers have been involved in the study of stock price forecasts.In this paper,the DWT-ARIMAGSXGB hybrid model is proposed.Firstly,the discrete wavelet transform is used to split the data set into approximation and error parts.Then the ARIMA(0,1,1),ARIMA(1,1,0),ARIMA(2,1,1)and ARIMA(3,1,0)models respectively process approximate partial data and the improved xgboost model(GSXGB)handles error partial data.Finally,the prediction results are combined using wavelet reconstruction.According to the experimental comparison of 10 stock data sets,it is found that the errors of DWT-ARIMA-GSXGB model are less than the four prediction models of ARIMA,XGBoost,GSXGB and DWT-ARIMA-XGBoost.The simulation results show that the DWT-ARIMA-GSXGB stock price prediction model has good approximation ability and generalization ability,and can fit the stock index opening price well.And the proposed model is considered to greatly improve the predictive performance of a single ARIMA model or a single XGBoost model in predicting stock prices.     

基于仿生模式识别思想的时间序列匹配

仿生模式识别是模式识别理论的一种新模型,它的出发点是要"认识"事物而非"区分"事物,理论的基点在于它确认了样本点在特征空间的连续性.本文根据仿生模式识别的基本思想,提出了一种时间序列匹配的新方法.该方法利用同类样本间的连续性规律,将时间序列排序,并在相邻的时间序列之间添加了若干新的时间序列,以增加样本点.对力感键盘按键压力序列进行分类实验的结果表明,新方法优于基于动态时间弯折的传统方法.