基于多元线性自回归模型的流量预测

为使流量预测模型具有自适应性和相关性,以时间点为基础进行建模,结合时间序列与流量序列,引入多元线性自回归(AR)思想进行参数估算,对多次估算所得参数值建立指数加权移动平均数模型进行二次估算,在此基础上,建立多元线性自回归模型。实验结果证明,与AR模型、ARMA模型相比,基于多元线性AR模型的预测结果更准确。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法。利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;在时间序列自回归模型内添加移动平均模型,并考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值。实验证明：该方法可精准预测不同类型绿色建筑的短期供暖能耗;在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小;在不同室外温度时,该方法短期供暖能耗预测的可决系数较高,即预测精度较高。     

基于向量自回归模型的一加出口水分预测研究

在昆明卷烟厂制丝工艺段中,一加出口水分值对于切丝出口水分具有决定性的影响,从而影响整个制丝工艺段出丝水分的合格率.为了科学准确地选择一加出口水分设定值,提出基于向量自回归(VAR)模型的多参数融合一加出口水分预测算法.VAR模型是自回归(AR)模型的一种扩展,通过VAR模型跟踪和预测一加出口水分背景数据,与一加出口水分...     

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.     

基于前后向线性预测的时变参数估计方法研究

在基时间函数展开理论基础上,通过同时引入非平稳信号的前向线性预测和后向线性预测来估计模型的时变系数,提出了一种新的时变参数建模方法,有效地克服了现有方法对瞬时频率估计的滞后问题和无法准确估计初始时刻值的困难;仿真试验证明,在相同阶次和基函数维数条件下,该方法对非平稳信号瞬时频率的估计效果要优于现有的方法。     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法,将流量数据构成的原始序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列建立自回归模型,由所拟合的模型分别进行预测;结合各个重构后序列的预测结果,可以得到对原始序列的预测结果。实验结果表明,这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

产品能耗规律性提取的平稳化自回归算法

针对冶金、锻造过程中,针对提取平均能耗的周期性、平稳性等信息,提出了平稳化自回归算法。该算法主要利用随机信号处理的方法对采集数据的规律性信息进行提取。实践数据应用结果表明,算法可有效提取生产中的规律性信息,并且残差较小。     

利用自回归模型的平稳时序数据快速辨识算法

由于自回归模型的参数估计可归结为求解一个线性方程组的问题,故其在平稳时序数据的辨识过程中具有广泛的应用场合。提出了一种基于自回归模型的快速辨识算法,首先,以递推的方式对平稳时序数据自相关函数矩阵的秩的下界值进行估计,然后,以该估计值作为自回归模型的起始阶数对系统进行依次的递阶辨识,最后,基于F检验对相邻阶次的拟合误差的变化趋势进行显著性检验,并以检验结果作为算法的结束条件。新算法在保证较高辨识精度的条件下,其计算效能及辨识精度的稳定性均优于现有的自回归模型辨识算法,实验结果验证了新算法的有效性和先进性。     

一种新的统计预测模型——多项式系数自回归模型

传统的自回归滑动平均模型（ARMA）和新近出现的函数系数自回归模型（FAR）不能满足非线性时间序列预测分析的准确度与运算速度要求,为了改进预测性能,研究提出了一种新的统计预测模型——多项式系数自回归模型（PCAR）。给出了PCAR模型的表示形式,详细探讨了PCAR模型的参数估计和阶次选择方法,在此基础上又提出了基于BIC准则的建模算法。同ARMA模型相比,PCAR模型扩大了适用对象范围,有效降低了模型选择误差;同FAR模型相比,它具有参数模型的特点,避免了系数函数局部线性回归估计所存在的不足;分析了PCAR模型与ARMA、FAR模型的等价条件。通过实验分析得出了PCAR模型较ARMA、FAR模型的单步预测准确度分别提高了99.65%和18.7%的结论,而且PCAR建模运算所需时间仅为FAR模型的0.2%。     

基于时间序列模型的黄金价格预测

由于黄金价格受到诸多经济及政治因素的影响,其生成过程十分复杂,因此研究黄金价格的动态演变过程具有极强的现实意义。而具体的预测要根据市场的过去和当前的需求,以及影响市场需求变化的因素之间的关系,利用一定的判断、技术和模型,对其价格波动变化及发展趋势进行分析和判断。利用时间序列相关理论,建立黄金价格的ARMA模型,发现其可以动态刻画黄金价格数据的生成过程并且较好地对黄金价格进行预测。     

基于时序分析的人体摔倒预测方法

提出一种基于人体动作状态序列时序分析法的人体摔倒预测方法。融合特征部位加速度信息为时间序列,选取摔倒过程中人体与低势物体碰撞前的过程序列段作为样本训练隐马尔可夫模型(HMM),通过分析输入序列与HMM的匹配程度实时分析当前时刻人体摔倒的风险。实验证明该方法取得良好的预测效果,并且可有效区分摔倒过程与其它日常生活行为过程。     

基于二次线性模型的网络舆情演化研究与实现

针对目前网络舆情形成迅速,对社会影响巨大,主要讨论在加强互联网信息监管的同时．研究网络舆情的演化趋势并研究相关算法以对其发展做出科学的预测．目的是对网络舆情的特性有一定的了解,掌握其基本的变化规律,以便提早采取应对措施,对于及时应对网络突发的公共事件和全面掌握社会民情民意有重大意义。     

基于二次线性模型的网络舆情演化研究与实现

针对目前网络舆情形成迅速,对社会影响巨大,主要讨论在加强互联网信息监管的同时,研究网络舆情的演化趋势并研究相关算法以对其发展做出科学的预测,目的是对网络舆情的特性有一定的了解,掌握其基本的变化规律,以便提早采取应对措施,对于及时应对网络突发的公共事件和全面掌握社会民情民意有重大意义。     

长程突发通信量的分数自回归预测

以数据包传输的通信量在不同网络条件下均表现出自相似性,自相似通信量在各时间尺度上均具有长程突发特性,其是以泊松过程为模型所描述的短程相关通信量所无法描述的.近来对自相似通信量的高精度测量与研究证实:网络中广泛存在的重尾特性是通信量自相似产生的原因.同时充分提取通信量的自相似性与重尾特性相关信息,是准确预测长程突发通信量的关键.在一种α-基于平稳过程的自相似通信量模型基础上,提出两种独立的自回归预测方法:FAR(Fractional AutoRegressive)预测、FNAR(Fractional Nonlienar AutoRegressive)预测.对这两种预测值进行不同方案的混合预测得到最终预测结果,进一步提高预测精度.     

微熵率重构相空间混沌时序预测研究

目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数即延迟时间与嵌入维数,引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中,利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测,也得到了较高的精度.     

基于自回归滑动平均的网络数据流量预测模型

在无线网络中,对入侵攻击的准确和迅速的检测是关系到无线网络安全的重要问题。各种入侵攻击可以由其导致的网络流量的变化来检测。针对网络流量复杂的非线性以及混沌性,结合网络流量的时间序列特性,提出了一种基于自回归滑动平均(ARMA)的网络数据流量预测模型。该模型利用第三方检测系统,不需要耗费网络资源,能够迅速和准确地预测网络流量。采用从16个信道分析器获得的数据流量测量值对模型进行了初始化。仿真实验结果表明,文中提出的模型能够有效地检测网络入侵攻击,提高了整个网络的性能,延长了网络的寿命。     

A Time Series Data Mining Based on ARMA and MLFNN Model for Intrusion Detection

This paper investigates the issue on how to effectively model time series with a new algorithm given by a Multilayer Feedforward Neural Network （MLFNN） and an Autoregressive Moving Average （ARMA）. The static nonlinear part is modeled by MLFNN, and the linear part is modeled by an ARMA model, The algorithm is developed for estimating the weights of the MLFNN and the parameters of ARMA model. To illustrate the feasibility and simplicity of the above procedures for time series data mining, the problem of measuring normality in H＇FI＇P traffic for the purpose of anomaly-based network intrusion detection is addressed. The detection results provided by the approach of this paper show important improvements, both in detection ratio and regarding false alarms, in comparison with those obtained using other current techniques, Simulation examples are included to illustrate the performance of the proposed method.     

基于时间序列和神经网络相结合的股票预测研究

股票市场是反映了经济运行的睛雨表,是市场经济融资的重要手段,对股票市场进行合理预测对金融市场的建设具有重要意义。时间序列预测方法体现了股价运行的长期趋势,股价短期技术调整是非线性关系,可以用神经网络分析。两者相结合的预测方法既考虑了长期行为又考虑了短期的资金行为,预测结果也更为准确。