城市日用水量预测的部分线性自回归模型

根据城市用水量影响因素及特点,针对线性回归模型与线性自回归模型误差较大的缺点,建立了城市日用水量的部分线性自回归预测模型,其中线性部分考虑日用水量,非线性部分考虑当天的最高温度,该模型综合了非参数回归模型与线性自回归模型的优点,因此在拟合与预测精度上比线性回归与线性自回归模型有所提高,证明该方法在城市日用水量预测中是有效的.     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于小波的部分线性自回归预测模型及其在沪深股市中的应用

首先采用部分线性自回归模型对上海和深圳股票走势进行模拟预测,然后利用小波函数结合部分线性自回归模型建立小波预测模型,又分别对上海和深圳股票走势进行了模拟预测,最后对两种预测方法的预测结果进行了比较和分析．结果表明：小波预测模型比单纯的部分线性自回归模型预测精度高,在股票市场的预测中具有很好的应用前景．     

基于时间序列的蜂窝网络能量优化方法

针对移动终端在蜂窝网络中的能耗过高问题,提出了一种基于时间序列的能量优化算法--平衡优化算法（BOA）.该算法对移动终端在蜂窝网络中传输的数据块建立自回归滑动平均模型,通过预测下一个数据块的到达时间来动态调整尾巴时间,达到降低能耗的目的.实验结果及分析表明,BOA能达到93.86%的模型匹配率;相比于原标准下的Fixed-tail算法,能达到42.25%的能量优化效果,且用户使用移动终端时间越长,能量优化效果越好.     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度.该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布.在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果.     

基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

基于小波变换的GASVM-ARMA模型在深基坑变形预测中的应用

为了提高深基坑施工过程中变形预测的准确度,提出一种基于小波变换分解与重构、采用遗传算法优化参数的支持向量机（GASVM）和自回归滑动平均（ARMA）模型相结合的组合模型预测方法。使用GASVM模型对小波分解后的趋势项进行一步预测和多步滚动预测,使用ARMA模型相应地对随机项进行预测,将预测值求和得到最终预测结果。以某地铁车站深基坑为案例,对3个监测点的支护桩深层水平位移进行预测分析,得到其一步预测的短期预测值和多步滚动预测的中长期预测值,并与单一采用GASVM模型得到的预测值进行对比。结果表明：组合模型有效减小了预测误差,在短期和中长期预测中均取得令人满意的结果。     

城市电网负荷特性分析方法研究

针对累积式自回归-移动平均模型在现代城市降温负荷预测中准确性不高的问题,提出一种双因子累积式自回归-移动平均模型,并用两种模型进行预测。经对比后发现,新模型通过引入平均温度算子,有效提高了城市降温负荷预测的准确性,并对现代城市有较好的普适性。     

基于贝叶期神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度，该文探索了贝叶期神经网络的非参数回归的建模方法，通过融入模型参数的先验知识，在给定数据样本及模型假设下进行后验概率的贝叶期推理，使用马尔可夫链蒙特卡罗算法来优化模型控制参数，实现了对神经网络模型中不同部分复杂度的控制，获得了模型和的后验分布及预测分布，在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整，并给出了较好的预测结果。     

基于线性多尺度模型的计算机网络数据流量预测

为了解决网络安全监控问题,提出了一种用于预测网络流量的算法.通过多个不同尺度的线性模型进行网络数据的组合预测,每个尺度的线性模型由经过滤波器滤波后的部分原始数据估计得到,最终的预测流量数据由多个尺度线性模型的平均预测值得到.选择的线性模型为自回归滑动平均模型,且尺度较小的线性模型对应自回归滑动平均模型的阶数较高.结果表明,本算法的预测精度高,整体预测误差的均值在10-3量级.     

加权Markov修正模糊信息粒的电力负荷区间预测

针对电力负荷预测存在波动性且预测精度不高的问题,提出一种基于加权马尔可夫(Markov)修正模糊信息粒的电力负荷区间预测方法.该方法首先对电力负荷数据序列进行基于模糊信息粒化(FIG)的空间窗口重构,以此得到电力负荷模糊信息粒和电力负荷的各阶自相关系数;然后建立由基于FIG和长短时记忆网络(LSTM)组合的模型(FIG-LSTM),以此获得能够预测不同模糊粒的3组LSTM模型;最后建立加权Markov-FIG-LSTM模型,并通过消除3组LSTM模型中的预测误差得到电力负荷预测区间和趋势值.实例分析表明,Markov-FIG-LSTM模型的RMSE、MAE和MAPE指标比FIG-LSTM模型分别降低了4.78%、11.37%和11.72%,因此该方法可为电网调度提供有效的数据支撑.     

港口吞吐量的马氏链 时序分析预测

通过比较分析时间序列分析（TSA）和马尔科夫链预测方法,研究港口吞吐量科学预测的新方法.组合温州港近20多年的历史吞吐量数据,分别采用TSA和马尔科夫链进行预测.将TSA与马尔科夫链校正模型相结合,进行港口吞吐量预测.结果表明,上述复合模型较之TSA模型平均预测精度提高50%,较之单一的马尔科夫链平均预测精度提高75%.根据吞吐量实际数据的验证结果,建立马氏链-时序分析预测模型.结果表明,该模型能够同时反映吞吐量序列的增长趋势和随机波动性,更符合港口吞吐量的实际变化情况.     

面向汽车运行工况设计的马氏链非等长交叉进化算法

为解决马尔科夫链和传统遗传算法设计汽车运行工况时效率低、质量差的问题,提出用于设计汽车运行工况的马氏链非等长交叉进化方法.设计子代满足马尔科夫链转移关系的非等长交叉算子,解除等位等长交叉段的限制,使遗传算法更好地适用于汽车运行工况的设计.根据试验数据,应用马氏链非等长交叉进化方法构建非等长初始种群,使用满意准则模型和指数加权平均数设定目标函数,设计三参数汽车运行工况.随机生成3种不同长度的三参数高速公路代表性工况.分析结果表明,期望运行工况与原始数据库特征参数的相对偏差均在设定范围内,速度和加速联合分布相关系数均高于90%,生成工况具有代表性.相比于马尔科夫链和传统遗传算法相结合的设计方法,马氏链非等长交叉进化方法的平均运行工况生成效率提高了66%,运行工况质量更优.     

基于生命旋回-权马尔可夫的径流预测模型

针对生命旋回预测模型不能反映河川径流周期性和波动性变化的特点,将其与权马尔可夫链结合,提出了一种精度较高的预报模型——生命旋回-权马尔可夫链组合模型.该模型用生命旋回模型预报河川径流的趋势项变化,由权马尔可夫链对径流残差序列进行修正,进行预测时采用等维信息方法处理,在此基础上对黄河龙门水文站径流进行预测,拟合精度为86.97%,合格率为86.78%,表明该模型可以用于径流预测.此外,对求解生命旋回模型的方法作出了改进,经研究表明,该方法实用可行.     

认知无线电网络中基于检测概率的主用户定位算法

为了解决认知无线电网络中次用户对主用户进行定位的问题,提出了一种加权最小二乘的迭代定位算法。采用两状态马尔可夫模型作为主用户头像模型,能量检测作为次用户的感知模型。该算法可以在不干扰主用户正常工作的情况下,利用次用户之间的合作感知结果进行定位,并估计出主用户的三维地理位置位置信息。提出了一种可以降低定位算法复杂度的简化算法。通过对定位问题进行了理论分析,求出了均方误差的Cramer-Rao理论下界。仿真结果表明,算法的均方误差非常接近理论下界,能有效地估计主用户的三维位置信息,提高定位精度。     

马尔可夫链在企业经济活动分析中的应用

为了科学地预测企业所关心的各项经济指标,以便为企业的未来行为作出正确的决策方案,需用适当的数学模型和方法对企业的经济活动进行定量的研究．基于经济活动的复杂、多变性及带有许多随机性因素的特点,针对两种常见的经济问题,分别建立了相应的马尔可夫链模型,应用马尔可夫链的相关理论,巧妙地构造转移概率矩阵,只通过简单的矩阵运算,便迅速解决问题．实例表明：马尔可夫链模型及方法在企业经济活动分析中是可行和实用的,可广泛用于解决企业中常见的预测及决策问题     

加权变分去噪模型的分裂Bregman算法

针对求解加权变分去噪模型时大量迭代导致计算速度缓慢的问题,为提高运算速度,在加权变分去噪模型中引入分裂Bregman算法.实验表明,与梯度下降法相比,该算法迭代次数少、处理过程快,极大地缩短了运算时间,并且保持了较好的去噪效果.     

基于Markov链的最优化模型在长江水质预测中的应用

马尔科夫预测方法在预测领域有着广泛的应用.该方法应用的一个重要问题就是如何估计一步状态转移概率矩阵.在历史资料没有给出系统处于n个状态次数的情况下,给出一步状态转移概率矩阵估计的最优化方法.最后讨论了基于Markov链的最优化预测模型在长江水质预测中的应用,表明该模型有效、可行.     

加权马尔可夫链在松花江哈尔滨站径流量预测中的应用

针对河川径流量为相依随机变量的特点,提出了以规范化的各阶自相关系数为权,用加权的马尔可夫链来预测河流未来丰枯状况的方法。介绍了加权马尔科夫链建模的方法和步骤,给出它的概率计算公式,并将模型应用于松花江哈尔滨站年径流预测分析,结果表明,预测与实际情况一致。     

灰色马尔可夫链在预测高温后钢筋强度退化中的应用

灰色预测模型可以在基础资料缺乏的条件下建立模型进行预测,但对于波动性较大的数据,它的预测精度比较低,而马尔可夫链模型可以克服数据波动较大的局限性.在灰色预测的基础上,引入马尔可夫链预测,建立起了灰色马尔可夫预测模型,并且针对高温后钢筋强度退化的试验数据进行了实证分析.证明了利用灰色马尔可夫链对高温后钢筋强度退化随时进行预测,是一种行之有效的新方法.