混沌时间序列预测模型的应用与研究

混沌时间序列预测模型的参数对预测结果起着关键作用,传统上参数优化单独进行,忽略参数之间的联系,导致预测的精度比较低.为了提高混沌时间序列预测精度,提出一种基于遗传算法的混沌时间序列预测模型参数优化方法.参数优化方法的核心思想是相空间重构和支持向量机参数寻优同时进行,通过遗传算法算法的选择、交叉和变异操作达到参数优化求解问题.以经典混沌时间序列Mackey-Glass为例进行了验证性实验.实验结果表明,相对传统的参数寻优方法和分开优化的方法,方法时间复杂度低、预测精度高,是一种有效性的混沌时间序列预测模型参数优化算法.     

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。     

相空间重构和参数统一求解的石油价格预测

为了提高石油价格预测精度,利用相空间重构和预测算法参数之间的相互联系,提出一种基于相空间重构和预测算法参数统一求解的石油价格预测模型（PSR-LSSVM）。选择最小二乘支持向量机作为石油价格预测算法,将相空间重构和LSSVM参数作为遗传算法的个体,通过选择、交叉和变异等进化机制找到最优的时间延迟、嵌入维和LSSVM参数,根据最优参数建立石油价格预测模型,并通过大庆石油价格时间序列对模型性能进行测试。结果表明,相对于独立优化相空间重构和LSSVM参数的石油价格预测模型,PSR-LSSVM获得了更高的石油价格预测精度,为具有混沌性的时间序列预测问题提供了一种新的研究思路。     

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.     

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.     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型（CS-BPNN）。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

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。     

A chaotic time series prediction model for speech signal encoding based on genetic programming

In this paper, a novel solving method for speech signal chaotic time series prediction model was proposed. A phase space was reconstructed based on speech signal's chaotic characteristics and the genetic programming (GP) algorithm was introduced for solving the speech chaotic time series prediction models on the phase space with the embedding dimension m and time delay τ. And then, the speech signal's chaotic time series models were built. By standardized processing of these models and optimizing parameters, a speech signal's coding model of chaotic time series with certain generalization ability was obtained. At last, the experimental results showed that the proposed method can get the speech signal chaotic time series prediction models much more effectively, and had a better coding accuracy than linear predictive coding (LPC) algorithms and neural network model.     

An integrated chaotic time series prediction model based on efficient extreme learning machine and differential evolution

In this paper, an integrated model based on efficient extreme learning machine (EELM) and differential evolution (DE) is proposed to predict chaotic time series. In the proposed model, a novel learning algorithm called EELM is presented and used to model the chaotic time series. The EELM inherits the basic idea of extreme learning machine (ELM) in training single hidden layer feedforward networks, but replaces the commonly used singular value decomposition with a reduced complete orthogonal decomposition to calculate the output weights, which can achieve a much faster learning speed than ELM. Moreover, in order to obtain a more accurate and more stable prediction performance for chaotic time series prediction, this model abandons the traditional two-stage modeling approach and adopts an integrated parameter selection strategy which employs a modified DE algorithm to optimize the phase space reconstruction parameters of chaotic time series and the model parameter of EELM simultaneously based on a hybrid validation criterion. Experimental results show that the proposed integrated prediction model can not only provide stable prediction performances with high efficiency but also achieve much more accurate prediction results than its counterparts for chaotic time series prediction.     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于定量递归联合熵特征重构的缓冲区流量预测算法

对网络基站缓冲区的短时网络流量的准确预测是缓解和控制拥堵的关键.基站缓冲区的短时网络流量时间序列具有非线性混沌特征,其自相关特性较弱,而传统方法采用线性时间序列分析方法没能有效挖掘流量序列的非线性特征信息,流量序列预测性能不好.提出了一种基于非线性时间序列分析的定量递归联合熵特征重构网络基站缓冲区的短时网络流量预测算法,该算法提取流量序列的定量递归联合熵特征,并对特征序列进行相空间重构;把网络流量信号模型进行高维映射,在高维相空间对短时网络流量序列进行定量递归分析;采用自相关特征奇异分解对流量序列进行聚合后的线性叠加,采用平均互信息算法和虚假最近邻点算法计算最佳时延参数和最小嵌入维;进行插值拟合形成时频分析特征分流控制,实现对网络流量的预测.仿真结果表明,该算法预测精度较高,稳定性较好,预测偏差较传统方法低,具有较好的应用价值.     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。