时间序列预测问题中小波分解的应用研究

针对非平稳时间序列预测问题,将支持向量机理论和小波理论相结合进行预测.首先对复杂的非平稳时间序列进行小波分解得到相对平稳的分量,然后对相对平稳的分量单独用SVR建模进行预测,最后将得到的多个预测结果进行组合得到最终的预测结果.同时实验验证了其有效性.     

用于云资源负载预测的Seq2seq模型

随着云计算数据量的迅速增大,对资源管理策略的要求也越来越高,而负载的预测在云资源优化配置中起着举足轻重的作用。针对云计算的负载变化兼有短期动态不确定性与长期统计规律的稳定性,利用经过改进的Seq2seq模型,可通过采集一段时间内的历史负载信息,对负载时间序列数据进行建模,以实现较为准确的未来一段时间的负载预测,并通过dropout来提高模型的泛化能力。经实验分析改进后,Seq2seq模型较原Seq2seq模型在资源负载较长期预测上的准确率有很大提升。     

混沌时间序列的一种多步预测滤波器

采用后向重构状态失量的方式，利用某点与邻近点具有相关性，提出了一种多步预测算法。仿真结果说明，利用这种方法能够对某些混沌时间序列进行多步预测，具有较好的预测效果。     

混沌时间序列局域偏最小二乘回归多步预测模型

针对混沌序列局域一阶多步预测问题,提出了基于偏最小二乘回归的混沌时间序列局域直接多步预测模型,偏最小二乘用于混沌时序重构相空间中演化轨迹前后相点信息间的建模。该模型克服了以往一阶局域单步预测模型进行多步预测时存在的误差累积,而且能抑制重构相空间中多重共线性的影响,提高了预测精度。试验中使用交叉验证方法将偏最小二乘的提取成分数。通过对Chen’s混沌序列和Mackey-Glass混沌序列的多步预测试验,验证了该模型在混沌时序预测方面具有很好的效果。     

针对时间序列多步预测的聚类隐马尔科夫模型

时间序列的预测在现今社会各个领域中有着广泛的应用.本文针对时间序列趋势预测中的多步预测问题,提出了基于聚类的隐马尔科夫模型,利用隐马尔科夫模型中的隐状态来表示产生时间序列数据时的系统内部状态,实现对多步时间序列的预测.针对时间序列聚类中的距离计算问题,提出结合时间序列时间性和相似性的聚类算法,并给出了迭代精化基于聚类的隐马尔科夫模型的方法.实验表明,本文提出的方法在时间序列多步预测中精度较高.     

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.     

小波分解与AR结合预测太阳黑子数的研究

简单介绍了小波与AR模型原理,采用小波分解与AR模型相结合的方法对月平滑太阳黑子数进行预测。对594个月的数据序列进行小波分解重构,对分解后的信号用EViews软件进行自相关函数和偏相关函数分析,再分别对各重构信号建立相应的AR模型,进而对未来6个月的月平滑太阳黑子数进行预测,取得了较好的预测结果。     

基于小波变换通信数据信号的分析与研究

应用小波变换对通信流量数据进行分析,首先对数据序列进行小波分解,将其分解为高频部分和低频部分。对低频部分利用相空间重构法进行混沌时间序列处理,得出其最大Lyapunov指数,验证通信流量的混沌性。利用相空间重构过程中得到的参数对各部分进行预测,最后将全部预测结果小波重构,得到原始序列的预测结果。实测数据预测结果表明,本文建立的通信流量数据预测模型效果良好。     

基于粒子滤波的混沌时间序列局域多步预测

对混沌时间序列进行预测研究具有重要的价值和实用性,例如,进行股票预测,降雨量预测,温度预测。混沌时间序列预测的难点在于其不确定性和多步预测的困难性。一般利用最小二乘法求解模型参数,从而对混沌时间序列进行局域预测,但是预测精度不是很高。为了提高局域线性预测的精度,提出基于粒子滤波(PF)的混沌时间序列局域多步预测法,利用粒子滤波进行参数优化得到更准确的优化模型进行多步预测。仿真实验结果表明,该方法的单步和多步预测效果明显得到了提升。     

正交多小波的一种构造方法

给出一种由正交多尺度函数构造其相应正交多小波的新方法，该方法具有计算简单且不受多小波重数限制的特点，不用求解关于多元未知矩阵的非线性方程组或进行相应的多项式矩阵的因子分解。与已有的通过选取参数来确定多小波系统的方法相比，因为他由尺度序列直接确定小波序列，不必考虑改变参数时这两个序列之间相关的变化，所以更便于灵活地设计出具有各种所需特性的多小波系统。用该方法重新导出了GHM多小波。     

基于Seq2Seq的船舶轨迹变步长预测方法研究

针对船舶轨迹的历史轨迹相似性低、预测精度不高等问题,基于序列到序列(Seq2Seq)模型提出一种轨迹预测算法——vSeq2Seq。首先,用一阶差分法处理AIS数据,降低时间依赖性,减弱通信延迟产生的干扰,突出船只运动规律;然后,采用滑窗法处理数据,构建模型数据集,通过Seq2Seq模型进行可变步长的轨迹预测。实验结果证明,vSeq2Seq算法能够从船只轨迹中提取出轨迹变化特征,针对船只不同运动状态改变预测步长、灵活地进行预测,对比传统LSTM模型和GRU模型,预测精度有显著提升。     

基于扩大周期的电力负荷预测模型

针对现有电力负荷预测模型依赖近期数据导致预测结果偏离时间序列真实情况的问题,文中提出了基于扩大周期信息的电力负荷预测模型。将预处理完的电力负荷时间序列按照同一时刻不同天进行处理,在此基础上分别利用ARIMA(Autoregressive Integrated Moving Average Model)模型和LSTM(Long Short-Term Memory Network)模型进行建模分析,并采用3种评价指标评估模型的预测表现。预测结果表明,扩大周期信息构建的ARIMA模型的3种评价指标都比传统ARIMA模型低,对应的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)分别为32 434.114 8、5 828.390 9和0.025 2;扩大周期信息的LSTM模型也比原始LSTM模型低,对应的RMSE、MAE和MAPE分别为13 520.497 4、9 298.352 6和0.091 4。     

基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。     

基于小波包分解的多层侵彻信号分析及处理方法研究

由于硬目标侵彻载体结构、研究对象和侵彻过程的复杂性,得到加速度-时间信号频率成分多,而且是典型的非平稳随机过程。小波理论是新的信号处理技术,小波分析是一种信号的时间-频率分析方法,具有多分辨率分析的特点,可以用来分析这些信号。通过对实测信号的分析表明,与建立在传统Fourier变换基础上的频谱分析方法相比,基于小波变换的冲击振动时频特征分析可以给出更为准确的细节信息。文中的研究结果为侵彻信号的处理提供了新的途径。     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

融合序列分解与时空卷积的时序预测算法

现有深度学习方法在对时间序列预测时,未充分考虑空间依赖性,且长期预测的准确率也较低.针对此问题,提出一种融合时间序列分解策略和时空卷积神经网络的时序预测模型SDBRNN(Series-Decomposition-Block Re-current Neural Network).该模型首先学习序列的多周期值并对序列进行最...     

基于小波分解的汽车运动状态预测模型

在获取汽车运动状态参数并且应用四元数法对汽车姿态角求解的基础上,建立汽车运动状态自回归预测模型;利用多尺度小波分析理论对测量数据序列进行分解与重构,对重构的不同尺度下的数据子序列分别建立自回归预报模型。实验结果表明:与传统的预测模型值相比较,该模型具有较高的预测精度。     

基于ICEEMDAN-PE/FE-IGWO-SVR的混合多步分解短期风速预测方法

针对风电场季节性风速波动性和时间尺度差异引起的预测滞后性问题,提出一种基于ICEEMDAN-PE/FEIGWO-SVR的混合多步分解短期风速预测方法。首先,以改进的自适应白噪声完全集合经验模态分解（ICEEMDAN）法对原始时间序列进行一次分解,得到精确的本征模函数（IMF）;再以排列熵（PE）和模糊熵（FE）联合判别方法对其进行二次混合分解,进一步削弱风速波动性;然后将分解后的数据代入支持向量机（SVR）进行预测。此外,为了找到更优的SVR参数,文中引入非线性动态更新因子和萤火虫算法的吸引机制对灰狼算法进行改进,并基于改进的灰狼算法对SVR参数寻优,进而对某风电场进行夏季短期风速预测,实验结果证明,与传统预测方法相比,该方法对短时突变型恶劣风况预测精度更高,对提高风电并网灵活性调度具有一定的应用价值。     

一种基于小波分解的直扩信号检测方法

针对直接序列扩频（DSSS）信号检测的问题,提出了一种对接收信号时域自相关进行小波分解的方法。该方法对于进行了载波调制的直扩信号,其所在频带未知时无法设计前置滤渡器,从而造成检测性能下降的情况,给出了一种可行的解决方案。计算机模拟表明,在该情况下,本方法具有较好的检测性能。