一种基于符号化的时间序列预测方法

本文提出一种基于符号化方法对时间序列进行预测。该方法利用矢量拟合来表达时间序列走势的形态，采用聚类算法对形态进行聚类，根据聚类结果得到符号序列，并用不完全抽取方法来抽取序列模式。预测时，根据学习得到的模式集对新序列做出预测分析。对导航位置误差数据实验表明，该方法可以对时间序列进行较好预测。     

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.     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。     

基于神经网络的时间序列动态预测器的调整学习算法

时间序列预测在金融等领域有着广泛的应用,近年来,基于时间网络的时间序列预测器引起了人们极大的研究兴趣,然而,基于神经网络的时间序列预测器经常给出无效的预测值。本文首先从理论上分析了基于神经网络的时间序列预测器给出无效预测值的概率,然后给出基于神经网络的时间序列预测器的调整学习算法（ＲＬＮＮＰ）,采用ＲＬＮＮＰ算法,基于神经网络的时间序列预测器,给过充分训练能够给出时间序列的有铲预测值。     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

一种新型复杂时间序列实时预测模型研究

针对复杂时间序列难以使用单一预测方法进行有效预测的问题，本文提出一种新型多分辨率增量预测模型．该模型首先使用经验模式分解方法对复杂时间序列分解，然后对各分量分别进行增量核空间独立向量组合预测建模，最后对各个分量预测结果等权求和集成为综合预测结果．该预测模型可以实现对复杂时间序列的快速实时预测，实验结果显示该模型在复杂时间序列预测上有良好的性能．     

基于残差预测修正的局部在线时间序列预测方法

 对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(Support Vecotr Regression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用Online SVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出.实验结果表明,新方法在执行效率和预测精度方面较单一Online SVR均显著提高.     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

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.     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

实时数据指数平滑预测分割算法

随着社会发展的加快,时间序列的的预测和分析别广泛运用于预测经济、建模等领域。时间序列预测中的指数平滑法是其中的重要分支。基于指数平滑法的时间序列分割用于过长的序列处理,常用于对时间序列的挖掘处理。在多种数据类型下,实时数据变化具有多样性,且数据量庞大。采用基于指数平滑法的时间分割算法可以便捷高效地对在线实时数据进行分割处理,将其中预测出的时间序列误差作为分割点。文章研究的时间序列指数平滑预测分割算法,采用相关数据以验证算法的可行性,加之进行校验步骤保证算法运用的稳定性,该算法能够在线检测出实时数据的分割点,确保以低时间复杂度实现算法功能。     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

混沌时间序列预测方法

针对混沌时间序列预测问题,深入分析了基于径向基神经网络与基于记忆库两种预测方法,进而应用两种方法分别对Logistic序列、Kent序列进行预测,仿真结果表明:输入节点个数严重影响RBF神经网络预测性能,样本容量的增大与预测精度提高只是在一定范围内呈正比;选取系统的关联维数作为预测阶数时,基于记忆库预测方法的平均预测误差较小,且其预测误差随样本容量的增多而减小.     

ARMA建模在神经网络卡钻预测方法中的应用研究

为准确预测卡钻事故的发生,利用一种基于时间序列的神经网络卡钻预测方法,将时间序列ARMA建模与神经网络非线性建模相结合。选取与卡钻事故相关性较大的参数作为神经网络的输入项,运用现场数据对神经网络进行训练,再利用神经网路的强非线性和自适应学习能力来建立卡钻事故预测模型;通过时间序列对历史数据的挖掘功能,揭示实际钻井过程中对卡钻事故影响较大的各参数的隐含规律,建立时序ARMA模型,求出卡钻时刻钻井相关参数的预测值;将预测值放入神经网络模型进行测试训练,从而达到预测卡钻事故的效果。运用延安地区实际现场数据证实该方法具有精确的卡钻预测能力及较好的泛化能力。     

基于改进时间序列方法的HRG输出建模预测

针对半球谐振陀螺仪的输出可能不符合时间序列分析的平稳性要求的问题,提出了一种基于经验模态分解的改进时间序列灰色预测方法,该方法将经验模态分解、时间序列建模和灰色预测结合起来。首先利用经验模态分解对陀螺仪的输出原始信号进行预处理,分解得到原始信号中包含的随机项和趋势项,然后对这些信号进行平稳性检验,根据检验结果选择时间序列分析和灰色预测对这些数据分别进行建模预测,最后将预测结果进行重构得到最终的预测值。仿真实验结果表明,该方法的预测效果比单独使用时间序列分析进行建模预测的效果要好。     

以时间序列分析为基准的航站楼安检客流预测

目前在民航旅客流量预测方面，仍存在诸如序列粒度考虑过粗、未涉及到未来一天某个短时段内流量预测等问题。在单一时段内利用安全检查技术开展客流预测工作是交通系统的重要部分。为此，首先针对安检客流时间序列进行相空间重构；其次，使用Wolf方法进行安检客流时间序列混沌性判别；再次，采用BP神经网络预测方法对混沌时间序列进行预测；最后，讨论一天的高峰时间，并将该时段划分为2 min,3 min,5 min,10 min等时间间隔，利用曲线拟合方法对每天的客流趋势进行相似性分析。文中数据来源于北京首都国际机场T3航站楼安检客流数据。实验结果表明，文中方案具有较好的预测性能，在高峰期情况下，以2 min为时间间隔，采用BP神经网络方法能够在短时间内完成人员与资源动态调度。     

基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

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。     

基于人工鱼群算法和BP神经网络的时间序列预测研究

时间序列的普遍存在性使得对于它的预测有着极为深刻的意义和丰富的内涵。本文研究了时间序列的相关理论和方法,将人工鱼群算法和BP神经网络应用于时间序列预测中,讨论了人工鱼群算法与BP神经网络在时间预测中的优劣,以及其有效性和实用性。