Auto-Regressive Models of Non-Stationary Time Series with Finite Length

To analyze and simulate non-stationary time series with finite length, the statistical characteristics and auto-regressive (AR) models of non-stationary time series with finite length are discussed and studied. A new AR model called the time varying parameter AR model is proposed for solution of non-stationary time series with finite length. The auto-covariances of time series simulated by means of several AR model sare analyzed. The result shows that the new AR model can be used to simulate and generate a new time series with the auto-covariance same as the original time series. The size curves of cocoon filaments regarded as non-stationary time series with finite length are experimentally simulated. The simulation results are significantly better than those obtained so far, and illustrate the availability of the time varying parameter AR model. The results are useful for analyzing and simulating non-stationary time series with finite length.     

Regression Analysis for Segment Size and Mean Size of Cocoon Filament

In order to extract deterministic component from trend nonstationary time series, regression analysis by Akaike Information Criterion （AIC） for segment size and mean size of cocoon filament is introduced, and deterministic component is extracted from size series of cocoon filament by analysis result. Experiments of simulating deterministic components on 9 cocoon categories are carried out, and experimental result is analyzed. Through analysis and experiment, it is known that selecting the order and coefficients of regression equation by AIC is beneficial to accurately describe the relation between segment value and mean value. This study is also useful for pretreatment of nonstationary time series.     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

基于ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。     

电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

产品需求量非平稳时序的ANN-ARMA预测模型

针对基于非平稳时序的产品需求量预测方法存在的问题,研究了人工神经网络(ANN)与自回归滑动平均(ARMA)模型的集成建模与预测方法. 产品需求量的非平稳时序可分解为确定项和随机项两个部分,用人工神经网络模型拟合确定项,以表示非平稳的变化趋势;用自回归滑动平均模型拟合随机项,以表示平稳的随机成分. 将两个模型的预测值之和作为产品需求量的优化预测值. 仿真结果表明,集成模型的预测精度高于单一的人工神经网络模型.     

灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

基于ARIMA模型的全国电视收视率实证分析

现代电视媒体经营中,要想在日益完善的经济竞争机制中增加收益,对于电视媒体来说至关重要,本文通过对全国样本城市的收视率数据进行了周一至周日的走势分析,并在走势相同的情况下对周四的收视率进行了时间序列建模分析,在将原始非平稳序列经二阶差分后进行了ARIMA建模。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

非平稳时间序列的陀螺随机漂移数据处理方法

以挠性陀螺的随机漂移为研究对象,采用非平稳时间序列分析法和基于小波分解的平稳时间序列分析法,建立相应的随机漂移模型。实验研究结果表明,论文采用的建模方法,具有建模精度高、符合陀螺随机漂移实际特性的特点。     

几种水文序列变异点诊断方法的性能比较

分别在正态分布和t分布假设下,通过改变样本容量、自由度、变异值、变点位置等参数用模拟试验的方法比较分析了3种常用的水文序列变异点检验方法的检验性能.结果表明,Pettitt检验法对于端点位置的均值变点具有最好的检验效果,BrownForsythe检验法适合小样本数据,秩和检验无明显优势.最后用这3种方法分析了西宁市1951年至2000年3月份的月均降水量序列,发现在1977年存在一个变异点.     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

制定度身定制制服企业号型数的理论探讨

以国家号型标准及企业设定规格的规律确定理论人体尺寸及分配方案．通过号型归档计算用料成本、裁剪时间等多种指标，得出各企业合理的号型规格数，作为各企业制定号型规格的参考。     

打折最小平方RBF网络及其时间序列预测研究

借用打折最小平方(DLS)原理构建了基于误差平方准则的DLS-RBF网络的学习算法.打折最小平方原理考虑了时间序列本身的结构性变化,较好地刻画了预测点与其他时刻数据的相关性,而这些恰恰是现有的径向基函数神经网络(RBF)在预测过程中所忽视的.实验表明DLS-RBF网络在非平稳方差时间序列和某城市自来水实际的月用水量预测中的效果明显,并优于RBF网络,但在混沌时间序列预测的实验中,因其自身的混沌特性,预测效果并不十分明显.     

降水极值的非平稳性特征及其重现期研究--以福建省为例?

变化环境下降水序列具有普遍的非平稳性.为深入探究降水极值的非平稳特征及其对极端降水重现期的影响,本文以福建省22个站点为例,针对表征降水序列非平稳特征的2个重要变量均值和方差,利用经验模态分解法(EMD)、Mann-Kendall趋势检验法分析了1960—2012年前汛期、后汛期降水极值序列非平稳特征;运用贡献分析法分析降水极值序列均值和方差变化对非平稳的降水极值确定性趋势的增量贡献;构建非平稳模型,基于均值、方差趋势探讨极端降水的重现期变化特征.结果表明:1)福建省前、后汛期降水极值序列非平稳性较强,前汛期闽西、闽北、闽中方差增加显著,部分站点方差变化对降水极值确定性趋势的增量贡献较大;后汛期全省降水极值均值普遍呈现增加趋势,对降水极值的确定性趋势起主导作用.2)福建省前汛期极端降水趋势增大的站点位于闽北地区,因为降水序列方差的线性增加趋势导致极端降水量显著增加;后汛期极端降水趋势增大的站点位于闽西和闽南2个区域,其中多数站点因为均值的增加趋势导致极端降水量增加,但是增加幅度平缓.3)降水序列方差的改变更加显著地影响了极端降水重现风险,变化环境下极端降水趋势和风险研究需充分考虑降水序列的非平稳性.     

基于时序建模的教学质量评估系统的神经网络辨识

采用时序分析对教学质量评估体系进行系统分析和建模,引入Box-Cox进行数据的非平稳性预处理,选用L-MBP网络进行系统辨识。通过比较网络对校验样本的预测效果,对隐层节点数和各层间的传递函数进行优化,同时采用重复训练法来提高网络的稳定性和预测精度。算例表明这种辨识方法能对教学质量进行更准确的评估和预测。     

有备件串联系统的可靠性分析模型

针对复杂机械系统求解可靠性指标困难的问题,提出一种有备件串联系统的可靠性分析模型.该模型中机械系统可以等效为由冷贮备系统串联而成的系统.当构成系统各部件的寿命分布和故障后修理时间分布均为指数分布时,这样的系统就可以用马尔科夫过程来描述.在部件寿命不相互独立、维修时间相互独立并且故障部件可以修复如新的情况下,建立该系统的模型.通过状态转移率矩阵,给出了系统可用度、可靠度及首次故障前平均时间等指标的计算方法.通过讨论说明该模型同样适用于不可修复的系统.