基于改进回声状态网的时间序列预测

为了提高回声状态网对时间序列的预测精度,将改进的小世界网络和泄露积分型回声状态网结合,提出了一种新型时间序列预测方法.泄露积分型回声状态网储备池神经元采用随机网络进行连接,首先利用改进的小世界网络替代随机网络,提高了储备池的适应性,从而改善回声状态网的泛化能力和稳定性.然后将利用改进的回声状态网预测典型的非线性时间序列.最后利用Matlab仿真软件进行验证,仿真结果表明,该方法较传统回声状态网预测模型具有更高的效率和预测精度.     

基于混沌时序的WTI价格系统预测

针对现代金融理论在描述价格波动行为时和真实市场之间存在着一定的差距问题,为运用混沌时间序列的方法来提取价格序列中蕴含着的动力学信息,并应用到实际预测,采用改进C-C算法消除在求解时间延迟时出现的矛盾,并且在计算Lyapunov这一重要系统特征量的过程中,结合R/S分析的方法,对小数据量法进行改进,用于WTI价格系统的预测.结果表明:该方法与传统方法相比,混沌时间序列预测的精度和可信度得到了提高,在经济预测方面有一定的理论价值和良好的应用前景.     

最大Lyapunov指数改进算法的网络流量预测

为了提高网路流量的预测精度,针对网络的非线性及复杂性,应用最大Lyapunov指数改进算法,利用历史数据信息,在重构相空间的基础上对网络流量进行短期预测,应用混沌理论对某高校主干流量时间序列进行分析。结合C-C算法将实际测试的流量时间序列投影到重构的相空间中,计算其最大Lyapunov指数并对最大可预测时间进行了分析。实验结果表明,最大Lyapunov指数改进算法具有良好的预测效果,较高的预测精度和更好的自适应性,该算法应用于网络流量预测是可行、有效的。     

基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

基于改进二次规划算法的X舵智能水下机器人控制分配

针对具有4个独立舵叶的X舵智能水下机器人(AUV)姿态控制分配精度及其计算效率问题,提出一种改进二次规划算法,在满足分配精度的同时减少计算量.使用Lagrange乘子法替代序列二次规划法所用的光滑牛顿法进行优化求解计算,有效降低了迭代循环计算,同时保留了序列二次规划的计算精度.仿真环境下的X舵AUV运动控制结果表明:改进后的控制分配算法能够减少40%的计算时间,控制分配偏差不大于0.03 N·m,AUV姿态控制效果良好.     

基于二进制序列索引的灰色马尔科夫交通流量预测模型

针对短时交通流量预测在精度和收敛速度方面的不足,将二进制序列索引和灰色马尔科夫波动性预测模型相结合,用于短时交通流量预测.通过二进制序列索引,将传统灰色马尔科夫模型中的直接流量数据变为间接流量数据,以减少后期数据处理中误差导致的蝴蝶效应;同时通过波动性数据处理方法的逆方法将预测值还原到索引序列,使灰色马尔科夫预测模型可用于波动性数据的预测,并自主调整预测精度和收敛速度.以松原市兴业大街松原大路交叉口某一进口道的短时交通流量过程为例,对模型进行检验,结果表明:将经过二进制序列索引后的间接交通流量数据运用于优化后的灰色马尔科夫模型后,短时交通流量预测值的相对误差由0.46缩小至0.07,大幅提升了预测数据的精度,说明模型具有良好的预测精度,可以满足短时交通流量预测的要求,具有较高的实用性.     

电力电量负荷预测方法及应用分析

为了进一步提高预测精度,则需要对传统方法进行一些改进,使预测结果具有更高的参考价值,本文主要探讨了时间序列预测法以及其实际运用。     

GM(1,1)模型改进算法及其应用研究

原始序列规律、一次累加生成序列光滑度及其初始值是影响GM（1,1）模型预测精度的主要原因.为了获得较高的预测精度,在原有改善序列光滑度方法的基础上,给出一种基于加权和最小平均相对误差的灰色改进算法.该改进算法不但能够提高拟合及预测精度,而且拓展了传统GM（1,1）预测模型的适用范围.将传统方法与改进算法应用于实际设备故障诊断和寿命预测,结果表明,改进算法对于机械设备的预知维修具有较好的参考价值.     

改进灰色模型在变压器故障预测中的应用

针对传统的灰色GM(1,1)预测模型只适用于对较强指数规律序列进行预测的局限,对传统的GM(1,1)模型进行了改进,通过引入一个m点均值算子,将波动的原始序列生成一个近似指数变化的新序列,并建立等维新息模型,缩小灰平面,从而实现对具有波动性质的序列进行有效的预测.通过对变压器油液的C2H2体积分数预测结果表明,改进GM(1,1)模型对波动的变压器油色谱液数据有良好的逼近效果,且预测精度高于传统的GM(1,1)模型.     

基于BP神经网络负载预测的虚拟机部署策略

针对传统基于择优选择的虚拟机部署机制忽略了业务对负载指标要求的差异,并且对目标服务器的负载缺乏有效预测,易导致负载不均衡和虚拟机过度迁移等问题,提出一种优化的虚拟机部署策略.首先设计一种改进的BP神经网络算法对服务器节点的负载进行预测,然后实施虚拟机加权部署,使虚拟机部署在合适的服务器上.实验结果显示:该策略在基于时间序列的负载预测上具有较高的拟合精度,可提升虚拟机部署的稳定性.     

基于改进黑洞算法优化ESN的网络流量短期预测

网络流量数据序列具有混沌特性.相空间重构后,采用一种改进黑洞算法优化回声状态网络的非线性模型对网络流量进行预测.改进黑洞算法是在现有工作的基础上提出一种新的新解生成机制,可以提高算法的收敛速度和精度;相比于遗传算法、和声搜索算法等其他优化算法,所提出的改进黑洞算法不依赖自身相关参数的准确设定;将其应用于回声状态网络4个重要参数的优化选取,使得预测模型具有较好的预测稳定性.通过Mackey-Glass混沌时间序列和网络流量公共数据集的仿真实验,结果表明所提出的方法具有较好的预测性能.     

我国城乡人口流动的驱动因素分析

目的分析中国城乡人口流动的时间和区域趋势及驱动因素。方法利用统计年鉴提供的数据,采用多元回归分析的方法对中国城乡人口流动作了时间纵向和区域横向的回归分析,对回归结果进行讨论。结果中国城乡人口流动主要是受到城乡收入差距和耕地有限的驱动,经济发展对人口流动有积极的推动作用。同时,中国城乡人口流动有随时间减缓的趋势。结论中国城乡人口流动有向大城市和东南沿海极化的倾向,政府须做好应对准备,走健康城市化道路。     

我国农村剩余劳动力转移状况分析——现状，挑战与对策

本文分析了我国农村剩余劳动力转移的新特性：①近年来剩余劳动力转移的增速不断下降,农民工3-资上涨,同时农村从事农业的劳动力比重下降,结构劣化,进一步转移劳动力困难;②转移劳动力出现区域重新配置的迹象,然而这种迹象受东中西部地区劳动力成本同步上升等因素阻碍;③“新生代”农民工的幸福感普遍偏低,可能成为城市的隐患。因此应完善城市社会保障体系与公共服务,提高农民工的城市待遇,建立农民工稳定的劳动关系。加强农民工技能培训力度,通过提高农民工整体的技能水平来抵消由于工资水平上涨带来的劳动力成本上升的效应。要逐渐将服务业作为吸收劳动力的主渠道。     

西方国家基于"二元"结构的农村劳动力转移理论述评

目前对于农村劳动力转移的理论研究很多,西方国家依据“二元经济结构”理论对农村劳动力转移的研究形成了刘易斯的二元经济模型、拉尼斯-费景汉模型、乔根森模型、托达罗劳动力转移模型等.分别对这几种理论模式进行了评析,并且对西方国家关于农村劳动力转移的理论模式论和实践经验进行了归纳总结,旨在为我国解决农村剩余劳动力转移问题提供切合我国实际的科学理论依据和实践经验,以便更好地促进我国农村劳动力的转移,推进我国城市化进程.     

机械压力机六连杆机构优化设计

使用自主研发的通用优化设计软件系统SiPESC.OPT,基于某型号机械压力机结构参数,构建机械压力机六连杆机构动力学优化模型.采用随机优化算法-梯度优化算法相结合的方法,使用GA、SQP和SLP多种算法组合优化计算.与初始设计相比较,优化后机械压力机的锻冲阶段滑块最大速度、行程速比系数等工作性能指标均有所改善.     

基于GRU与PCA-TL的热应力下IGBT故障预测

针对热应力下绝缘栅双极型晶体管(insulated gate bipolar transistor, IGBT)的性能随时间逐步退化的特性,将深度学习中的时间序列预测算法应用到IGBT故障预测中,提出了基于门控循环单元(gated recurrent unit, GRU)与主成分分析-迁移学习(principal components analysis-transfer learning, PCA-TL)的故障预测新方法。该方法以电参数集电极-发射极电压V_CE作为衰退参数,采用GRU模型构建衰退参数与故障时间的映射关系;利用PCA技术综合相异分布特征的IGBT故障指标,引入TL方法,通过微调GRU预测模型的参数完成从源域到目标域的迁移,实现目标域样本的故障预测。实验结果表明,基于GRU的故障预测模型具有较高的预测精度,与长短期记忆(long short-term memory, LSTM)算法相比,训练速度更快;PCA-TL方法可实现同类器件不同工况下的故障监测任务。验证了所提方法的可行性和正确性。     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.