基于周期项方法选择的季节性时序预测

根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性时间序列整体预测模型。实验结果表明,该模型能克服周期项多步预测的缺点,具有较高的预测精度。     

基于经验模式分解与混沌分析的直接多步预测模型

直接多步预测不依靠单步预测的结果而直接使用测量数据, 效果理想, 但往往要求模型能够学习多种不同的目标函数. 本文建立的直接多步预测混合模型, 使用模式分解方法把原始时间序列分解成不同尺度的基本模式分量, 再经混沌分析和神经网络进行组合预测, 减小了各步预测模型之间的差别, 提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 最后, 通过基准时间序列验证了本模型的优越性.     

单项模型可筛选的船舶横摇组合预测

提出了基于单项模型可筛选的船舶横摇运动组合预测方法. 运用协整理论方法和非负约束的冗余方法对模型进行筛选, 将筛选出的单项模型进行组合, 并将其用于对我国某型船舶横浪航行情况的预测. 预测结果表明, 在预测精度及预测时长方面均好于各单项模型和未经过单项模型筛选的组合预测模型, 从而验证了所提出方法的有效性和可行性.

     

基于改进加权一阶局域预测模型的负荷预测方法研究

针对混沌时间序列预测中用加权一阶局域法单步预测模型进行多步预测时计算量大,且存在误差累积效应的不足,本文提出了基于相空间重构技术的加权一阶局域法多步预测模型,通过实际算例分析显示,本文方法较改进前有较好的适应能力和预测精度。     

基于半周期预测的减摇水舱控制方法及验证

可控被动式减摇水舱能够通过气阀控制空气连通道延长了水舱的固有周期,实现宽频船舶横摇减摇.关阀时刻和关阀时间与船体横摇运动规律相关,由于船体在海浪中的随机运动难以准确计算.小波神经网络的半周期预测控制方法,预测船体横摇的下一个半周期,实时计算控制参数,拓宽减摇频带.通过半实物仿真验证,较传统的方法减摇性能有明显提升.     

风浪中船舶横摇仿真与预报研究

对船舶横摇运动进行仿真与预报研究可大大提高船舶航行安全性,更好地保障船舶各项作业的顺利进行.从频谱分析的角度对海上随机风浪进行仿真,并根据刚体平衡原理建立船舶运动方程,由此仿真船舶的横摇运动.在此基础上,针对舰船运动姿态非线性、非平稳的时域特点,运用改进AR模型的多层递阶方法和自回归方法对船舶横摇运动进行预报,结合预报误差指标进行两种预报方法的比较.预报结果表明,多层递阶方法在一定程度上提高了船舶运动姿态的预报精度和预报时间长度,可较好实现非线性预报.     

升力反馈减摇鳍防失速控制方法研究

为了克服常规浪级调节单元的不足,进一步提高减摇鳍的减摇效果,并预防高海况下的动态失速,针对升力反馈减摇鳍系统,采用基于T-S模型的广义预测控制器中带遗忘因子的最小二乘法在线辨识船舶横摇运动方程,以适应变化的海况和船舶横摇参数,减小了计算量,提高了船舶横摇参数变化时减摇鳍的战摇效果.在分析了升力反馈减摇鳍在高海况下失速发生原因和浪级调节单元不足的基础上,通过在预测控制器中引入约束条件解决了高海况下的动态失速.相对于浪级调节单元,广义预测控制器提高了高海况下减摇鳍的利用效率.仿真结果表明,该方法可以在高海况下充分发挥减摇鳍系统的效能,提高减摇效果,并有效防止动态失速的发生.     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

基于相空间重构双参数联合估计的网络流量预测

为了提高网络流量预测精度,提出一种基于相空间重构双参数联合估计的网络流量预测模型.首先采用极限学习机作为网络流量预测算法,然后预测结果优劣指选择相空间重构参数,最后建立单步、多步的网络流量预测模型,并通过仿真实验对其性能进行分析.结果表明,论文模型可以准确获得最优相空间重构参数,显著提高网络流量的预测精度,预测结果明显优于对比模型.     

基于多步预测的宽带频谱感知技术

针对基于单步频谱预测的认知通信模型中预测和感知过程会占用大量的数据传输时间,设计基于多步预测的宽带频谱感知系统,提出基于多步预测的离线粗感知和基于滤波器组的宽带频谱在线细感知相结合的方法,介绍基于混合神经网络的多步频谱预测和宽带频谱感知的具体实现方法.通过仿真实验可得,预测后基于滤波器组的宽带频谱感知性能优于直接采用能...     

面向消除通信时延的车辆轨迹多步预测方法

现阶段的车路协同测试环境下通常采用具有实时性特征的系统,为了解决车路协同测试的实时系统中容易出现通信时延问题,本文提出一种面向消除通信时延的车辆轨迹多步预测方法,通过构建LSTM神经网络模型,将高频采样序列进行拆分和重组后对其建立新的序列,并按照不同间隔的差分序列逐条输入,经过对各序列下轨迹点的单点预测,形成未来一段距离的车辆行驶轨迹,进而实现车辆轨迹的多步预测。实验结果表明,本文提出的多步轨迹预测方法能够消除93.94%的通信和系统时延,并且多步轨迹预测相比于单步轨迹预测在中远距离下的MSE增长率减少了7.47个百分点,具有很好的时延消除特性和误差控制能力。     

带自相关约束的NARX动态软测量模型

非线性带外输入自回归模型(NARX)在进行预测估计时依赖于主导变量的实时测量,因此在实际工业过程中存在一定的实施难度.针对该问题,利用神经网络构造一种新型NARX动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果.通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性.     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

金融时间序列模糊边界预测研究

传统的金融时间序列预测方法以精确的输入数据为研究对象,在建立回归模型的基础上做单步或多步预测,预测结果是一个或多个具体的值.由于金融市场的复杂性,传统的预测方法可靠度较低.提出将金融时间序列模糊信息粒化成一个模糊粒子序列,运用支持向量机对模糊粒子的上下界进行回归,然后应用回归所得到的模型分别对上下界进行单步预测,从而将预测的结果限定在一个范围之内.这是一种全新的思路.以上证指数周收盘指数为实验数据,实验结果表明了这种方法的有效性.     

Multi-step Learning Rule for Recurrent Neural Models: An Application to Time Series Forecasting

Multi-step prediction is a difficult task that has attracted increasing interest in recent years. It tries to achieve predictions several steps ahead into the future starting from current information. The interest in this work is the development of nonlinear neural models for the purpose of building multi-step time series prediction schemes. In that context, the most popular neural models are based on the traditional feedforward neural networks. However, this kind of model may present some disadvantages when a long-term prediction problem is formulated because they are trained to predict only the next sampling time. In this paper, a neural model based on a partially recurrent neural network is proposed as a better alternative. For the recurrent model, a learning phase with the purpose of long-term prediction is imposed, which allows to obtain better predictions of time series in the future. In order to validate the performance of the recurrent neural model to predict the dynamic behaviour of the series in the future, three different data time series have been used as study cases. An artificial data time series, the logistic map, and two real time series, sunspots and laser data. Models based on feedforward neural networks have also been used and compared against the proposed model. The results suggest than the recurrent model can help in improving the prediction accuracy.     

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络（long short-term memory,LSTM）作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差（mean absolute percentage error,MAPE）与LSTM、门控循环单元（gated recurrent unit,GRU）、反向传播（back propagation,BP）神经网络、卷积神经网络...     

基于门控循环图卷积网络的交通流预测

交通流预测在智能交通系统的建设中起着关键性的作用,然而现有预测方法无法准确地挖掘其潜在的时空相关性,而且大都采用全连接网络进行单步预测。为了进一步挖掘数据的时空特性以及提升长短期预测的精度,提出了一种门控循环图卷积网络（GR-GCN）模型。首先,利用频域上的图卷积结合门控循环单元（GRU）构建一个时空组件（STC）以同时捕获节点的时空相关性,充分地提取数据的时空特征;然后,利用该时空组件构成编码器单元,并将时间序列数据和路网结构数据输入其中;最后,使用门控循环单元作为解码器单元,并按照时间顺序将两者组成一个编码器—解码器（encoder-decoder）结构,依次解码出每个时刻的预测结果。在加利福尼亚交通局（Caltrans）性能评估系统中高速公路数据集PeMSD4和PeMSD8进行了实验。结果表明,所提模型GR-GCN在预测未来15 min、30 min、45 min和60 min的交通流量方面优于大多数现有基准模型,尤其是在长期预测方面。     

延迟时间和嵌入维数联合优化的网络流量预测

为了提高网络流量的预测精度,利用相空间重构的两个关键参数-延迟时间（τ）和嵌入维（m）间的相互联系,提出一种延迟时间和嵌入维数联合优化的网络流量预测模型。该模型以最小二乘支持向量机作为网络流量预测算法,根据网络流量预测结果优劣评价指选择最优[τ]和[m]值,建立单步、多步网络流量预测模型,并通过仿真实验对模型的性能进行分析。结果表明,模型可以准确选择出最优嵌入维数和延迟时间,显著提高了网络流量的预测精度,预测结果明显优于独立优化[τ]和[m]以及传统联合优化[τ]和[m]的网络流量预测模型。