混沌时间序列预测模型参数同步优化

传统上相空间重构与预测模型参数优化分开优化,割裂两者的联系,模型预测性能难以达到最优。利用相空间重构和预测模型参数的互相关系,提出一种混沌时间序列预测模型参数同步优化方法。首先采用均匀设计方法对影响模型预测精度的参数进行均匀设计,然后采用自调用最小二乘支持向量机进行参数同步优化,得到最优参数。以经典混沌时间序列太阳黑子年平均数为例进行了验证,结果表明,相对传统的参数优化算法,参数同步优化算法时间复杂度低、预测精度高,为混沌时间序列预测模型参数优化提供了一种新的思路。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

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。     

最小二乘支持向量机在混沌时间序列中的应用

针对混沌时间序列存在噪声和不稳定性问题,混沌时间序列预测是当前的一个热点问题.根据当前预测方法预测精度低的难题,提出一种优化的混沌时间序列预测方法(GA_LSSVM).GA_LSSVM首先采用相空间重构对时间序列样本进行重构,采用遗传算法对最小二乘支持向量机参数进行优化,得到混沌时间序列的最优预测模型,最后以经典时间序列Lorenz数据对最优模型进行仿真测试和分析.实验结果表明,GA_LSSVM比神经网络的预测精度高.GA_LSSVM方法是一种可行的、有效的混沌时间序列预测算法,在混沌时间序列具有广泛的应用前景,可为应用提供科学依据.     

混沌理论和LSSVM相结合的网络流量预测

为提高网络流量的预测精度,提出一种基于混沌理论和最小二乘支持向量机相结合的网络流量预测方法。采用相空间重构对网络流量时间序列进行重构,恢复网络流量的演化轨迹,采用非线性预测能力强的最小二乘支持向量机对网络流量时间序列进行训练建模,采用混沌粒子群算法对最小二乘支持向量机参数进行优化,从而获得最优网络流量预测模型。用实际网络流量数据对该算法有效性进行验证,结果表明该方法能够很好刻画网络流量的变化趋势,提高了网络流量的预测精度,预测性能优于传统的预测方法。     

基于LSSVM的混沌时间序列的多步预测

结合相空间重构理论和统计学习理论,实现混沌时间序列的多步预测．采用擞熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立渑沌时间序列的多步预测模型,并与径向基函数网络预测模型比较．结果表明,所建立的模型能够捕捉到原混沌系统的动力学特征．前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差,泛化能力较强．其预测效果较好．     

混沌时间序列预测模型参数的联合优化

为了提高混沌时间序列预测模型的预测精度,提出了一种相空间重构和最小二乘支持向量机(LSSVM)参数的联合优化方法.联合优化方法的核心思想是首先采用均匀设计对相空间重构和LSSVM参数进行联合设计,然后采用自调用LSSVM进行参数联合优化,最后利用混沌时间序列对联合优化方法进行验证性测试.实验结果表明,联合优化方法预测精度明显优于其它优化方法,且优化速度更快.     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

基于ADE算法的LSSVM在混沌时间序列中的应用

为了提高基于最小二乘支持向量机(LSSVM)模型的时间序列预测方法的泛化能力及预测精度,研究一种基于自适应差分进化算法(ADE)的最小二乘支持向量机模型(ADE_LSSVM)。首先利用相空间重构技术对样本数据进行相空间重构,再利用ADE对LSSVM的两个参数进行组合寻优,最后利用Lorenz系统对模型进行仿真试验并与未进行参数优化的LSSVM预测结果对比。结果表明,ADE_LSSVM方法是一种可行的、有效的混沌时间序列预测方法,可为今后的科学研究提供新的理论思想。     

PREDICTION OF NATURAL DISASTERS

Abstract

During the past 30 plus years, we have been dealing with several fundamental problems in prediction science. We believe that “the science of human natural disasters” (natural disasters affecting mankind) is not well addressed by the classical theory of dynamical systems. It is argued that there exist problems, when the theory of dynamic systems is used, related to (1) measurement inaccuracy of low energy effects, (2) computational inaccuracy of accumulating error value effects, (3) failures of classical methods under effects of vortical motion, etc. At the end, we will explain our methodology of structural prediction, which has been shown to be more effective in practical applications than the current widely employed methods.     

变结构预测控制

在变结构滑模控制的基础上，引入参数辨识和状态预估，形成了一种新的控制技术－变结构预测控制，变结构预测控制增强了变结构没模控制的鲁棒性，使之对具有大滞后和变参数的对象也能进行有效的控制，有较强的自适应能力。一般自适应控制技术闭环参数不完全辨识问题，在变结构预测控制中获得了解决，这就使控制更为精确和有效。本文探讨和研究了变结构预测控制技术的实同及其控制特性，并由仿真和实验结果加以验证。     

快速AVS帧内预测算法

针对AVS(Audio Video code Standard)帧内预测中选择最优编码模式流程复杂的问题,提出一种快速帧内预测编码的算法。通过分析AVS帧内预测编码的原理及其在参考软件GDM2.1中的代码实现,推导出判定零系数块的阈值。该快速算法根据零系数块的判定阈值条件判定当前块,对于零系数块,直接编码cbp元素,提前中止帧内预测编码,避免了后续的复杂流程;对于非零系数块,采用时域SAD(Sum of Absolute Difference)与频域SATD(Sum of Absolute Transformed Difference)相联合的快速选择算法,排除了40%~80%的不可能预测模式,对余下的模式采用率失真代价函数的方法选取最佳预测模式。经实验验证,在PSNR(Peak Signal to Noise Ratio)降低0.25 db和码率增加2%之内,AVS编码时间减少了40%以上,大幅度提高了编码效率。     

基于神经网络的股市预测

本文讨论了有关神经网络用于股市预测方面的问题，包括股市原始数据的预处理、训练样本的确定。提出了适合于描述股市动态特性和时序特性的网络模型及学习算法，并对上海股市作了实际的预测。实验结果表明本文提出的方法是可行的和有效的。     

基于粒子群算法的汽车保有量预测方法

汽车保有量关系到城市建设与规划。针对汽车保有量预测问题,提出一种基于粒子群算法的汽车保有量预测方法,建立了一种多因素汽车保有量预测模型。选取城镇人口、居民消费水平、人均地区生产总值、道路网密度、公共交通车辆运营数、公共交通客运总量、油价7个指标作为汽车保有量的主要影响因素。利用主成分分析方法确定影响因素主成分,以主成分作为自变量,汽车保有量作为因变量,建立回归分析模型。运用粒子群算法,结合主成分回归预测值对汽车保有量进行预测。以2005～2014年上海市汽车保有量数据为依据,预测出上海市2020年汽车保有量约为400万辆,并对预测结果进行了分析。     

混合物相平衡预测系统的建立

混合物相平衡是重要的热力学性质之一，是化工过程设计与控制必不可少的基础数据。因此，精确预测混合物相平衡有着十分重要的理论和实际意义。本文以修正的硬球三参数状态方程（ＭＣＳＰＴ方程）＾［１，２］为基础方程，结合三种混合规则（经典模型、局部组成模型＾［３］和基团贡献模型＾［４，５］），建立了一个功能较全、易于推广应用的混合物相平衡预测软件包。     

SUPERVISED LEARNING ALGORITHMS FOR FAMINE PREDICTION

Early detection of famine reduces the vulnerability of the society at risk. This study examined the application of supervised learning algorithms for famine prediction. Data were collected between 2004 and 2005 from households in northern, central, eastern, and southern parts of Uganda. Data sets from the northern region were the most suitable as a learning sample for other regions. Classification performance of Support Vector Machine, K-Nearest Neighbors, Naïve Bayes and Decision tree in prediction of famine were evaluated. Support Vector Machine and K-Nearest Neighbors performed better than the other methods, and Support Vector Machine produced the best Receiver Operating Characteristics (ROC), which can be used by policy makers to identify famine-prone households. It is recommended that satellite and household data should be used in combination to predict food security because this increases the specificity of households at risk.     

一种基于ARIMA的无线传感器网络链路质量预测方法

针对无线传感器网络里上层协议选择数据链路的问题,提出一种采用ARIMA(差分自回归滑动平均模型)模型的EPRR算法,首先根据历史数据确定参数,然后综合考虑链路中的不对称性对PRR( Packet Reception Ratio)进行预测.实验证明,对比使用移动窗口平均模型对PRR的预测结果,该模型的预测准确度比SPRR( Smooth Packet Reception Ratio)算法有很大提高,并且能够较好地反映链路质量的变化趋势.     

双层自校正预报方法及其在高炉铁水含硅量预报中的应用

针对象高炉这样复杂的 MISO 系统,本文提出了一种双层自校正预报方法,将快时变部分的递推辨识和慢时变部分的迭代修正相结合,较好地解决了各子模型时间常数大小和时变性快慢相差较大所带来的问题,并在高炉铁水含硅量预报的实际应用中获得了满意的结果.     

基于BPSO-RBF神经网络的网络流量预测

为了提高网络流量的预测精度,针对网络的时变性和混沌性,提出一种反向学习粒子群优化神经网络的网络流量预测模型(BPSO-RBFNN)。首先将网络流量样本输入到RBF神经网络进行学习,采用引入反向学习机制的粒子群算法优化参数,然后建立网络流量预测模型,最后采用仿真实验对模型性能进行分析。结果表明,BPSO-RBFNN可以描述网络流量的时变性、混沌性变化趋势,网络流量预测精度得以提高,具有较好的实际应用价值。