EMD分解下基于SVR的股票价格集成预测

为实现对非平稳、非线性股票价格时间序列的高精度预测,提出经验模态分解下基于支持向量回归的股票价格集成预测方法EMD-SVRF(EMD and SVR based stock price integrated forecasting)。首先,运用经验模态分解方法获得股票对数收益率时间序列的本征模函数及趋势序列,然后,利用ε不敏感支持向量回归为各本征模函数及趋势序列分别建立预测模型,并计算各本征模函数及趋势项的预测值,最后,集成得到股票收益率序列预测值。实验表明,相对现有的EMD-Elman网络和ARMA-GARCH等主流股价预测方法,EMD-SVRF具有更小的拟合误差和预测误差,是一种高精度的股票价格预测方法。     

基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

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.     

多模型软测量的顶板来压预测模型

为了对中国煤矿顶板安全进行合理的预测,建立有效的预警机制,提出采用多模型软测量的来压预测方法,方法中首先利用EEMD方法对非线性、非平稳来压监测信号进行模态分解,得到多个IFM;其次根据IFM的特点,对非线性的固有IFM序列运用SVM方法进行预测,对于线性趋势项序列运用ARIMA进行预测,最终将各预测值合成重构得到系统模型的预测输出。实测数据分析表明,基于EEMD-SVM-ARIMA软测量的来压预测模型具有较高的精度,能很好地反映来压变形规律,能满足安全生产的需求。     

基于希尔伯特-黄变换的径流规律分析

希尔伯特－黄变换在处理非线性、非平稳、弱相依、高度复杂的时间序列时,比传统的时间序列分析方法更具优势。通过对时间序列进行经验模态分解（EMD）,得到若干反映时间序列演化过程的本征模态函数（IMF）和序列变化的残余项（趋势项）,然后对每个本征模态函数作希尔伯特－黄变换,得到反映径流规律的统计特征值,从而获得序列变化的周期。对渭河临潼水文站的年径流观测数据进行分析,得出年径流变化存在9．52年、13．70年、21．74年和41．67年的周期,且有逐渐减小的趋势。     

基于EEMD与LSSVR的能源消费量多尺度预测——以广东省为例

由于能源消费内在的复杂性,传统的单尺度预测方法很难获得理想的预测效果.为提高能源消费量预测精度,提出了基于集合经验模态分解(EEMD)与最小二乘支持向量回归(LSSVR)的能源消费量多尺度预测模型.首先应用EEMD算法将能源消费量环比指数从高频到低频分解成若干结构更简单、变化更平稳、规律性更强、更易于预测的内在模态函数(IMF)和一个残差项;其次利用LSSVR对各IMF和残差项进行预测,并采用粒子群算法(PSO)选择最优的模型参数;然后将各分量的预测值直接加总求和重构出能源消费量环比指数的预测序列;最后通过逆环比化处理,获得原始能源消费量的最终预测值.利用该模型对1980-2013年广东省能源消费量进行实证分析,结果表明多尺度预测模型的确能够显著提高预测精度.     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

Hilbert-Huang变换的滤波特性及其应用

Hilbert-Huang变换是最新发展起来的处理非线性非平稳信号的时频分析方法.其基本的实现分为两步,多分辨经验模态分解和瞬时频率的求解,随后可以获得信号的时-频谱.这种方法的关键部分是多分辨经验模态分解,任何复杂的信号都可以分解为有限数目并且具有一定物理意义的固有模态函数.多分辨经验模态分解方法可以解释为以信号极值特征尺度为度量的时空滤波过程.时空滤波器充分保留了信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有很大的优势.文中介绍了Hilbert-Huang变换时空滤波的实现过程,并列举了一些实例,说明了该方法的有效性.     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于EEMD和改进Elman神经网络的地球变化磁场短时预测

针对地球变化磁场时间序列的混沌特性,提出了一种集成经验模态分解(ensemble empirical mode decomposition,EEMD)和改进Elman神经网络的地球变化磁场预测模型.首先,利用EEMD将非平稳的地球变化磁场时间序列分解为一系列具有不同特征尺度的本征模态函数(intrinsic mode function,IMF);然后,针对每一个IMF分别建立改进Elman神经网络模型,选择各自适合的最优模型参数;最后,以地磁台站实测的地球变化磁场数据为研究对象,并与基于单一Elman神经网络预测模型相比较,结果表明,EEMD-改进Elman神经网络模型的预测值能紧跟地球变化磁场的变化趋势,且明显优于基于单一Elman神经网络的模型,体现出更好的预测效果.在地磁Kp3时,预测3h平均绝对误差为1.74nT.     

基于总体经验模态分解的水文序列多尺度分析

为解决模态混叠问题,将总体经验模态分解方法应用于水文时间序列的多尺度研究中.将白噪声加入原始序列,经过总体经验模态分解后得到固有模态函数,通过对结果进行显著性检验并最终得到水文时间序列主要振荡周期、中心频率、平均振幅等信息.通过对黄河三门峡水文站实测天然年径流序列进行分析,发现总体经验模态分解能够较好地解决模态混叠现象...     

基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测

运用经验模态分解(EMD)将某大跨度膜结构测点非平稳风压分解为一系列相对平稳的固有模态函数和一个剩余分量.为消除实测风压中噪声对固有模态函数的影响,使用小波变换对每个固有模态函数进行去噪,将去噪后的固有模态函数及剩余分量作为样本输入.分别将径向基核函数、Hermite核函数及Hermite组合核与最小二乘支持向量机结合(LSSVM),运用粒子群算法(PSO)对3种算法的正则化参数及核参数进行智能寻优,建立基于径向基核函数、Hermite核函数及Hermite组合核的PSO-LSSVM风压预测算法,并基于超高层建筑实测风压验证了组合模型的鲁棒性.单点预测结果表明,基于Hermite组合核的PSO-LSSVM的预测算法较其余两种算法具有更高预测精度及泛化能力;空间点预测结果进一步证明了该方法对于非平稳非高斯风压预测的有效性.     

基于WAVELET-GARCH组合方法的中国保险深度分析

提出了非平稳时间序列的WAVELET-GARCH组合分析方法,应用于中国保险深度的研究.介绍小波以及GARCH方法的数学原理,阐述此组合方法的一般步骤,即利用小波函数分解原时间序列,成为趋势项和周期项;对趋势项进行平稳性检验;用GARCH模型拟合趋势项,并应用于预测.通过中国保险深度的变化情况研究,实证结果表明该方法比直接二次多项式拟合预测的平均相对误差小2.15％,反映WAVELET-GARCH组合方法的有效性.     

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．     

基于CF-EEMD-LSSVR算法的铅冶炼系统温室气体排放的评估与预测

利用碳足迹理论建立铅冶炼系统生命周期内各工序的投入产出模型,对单位产品温室气体排放进行评估。针对温室气体排放时间序列的非线性,建立1个基于集合经验模态分解法与最小二乘支持向量回归机相结合的预测模型。集合经验模态分解法首先将温室气体排放时间序列分解成一系列相对比较平稳的本征模函数分量,然后利用最小二乘支持向量回归机对各分量分别预测,最后进行叠加求和,将铅冶炼系统温室气体排放量的预测结果与实际结果进行对比。研究结果表明:预测结果与实际结果均方根误差为2.896 1%,所提出的方法可实现铅冶炼系统温室气体排放的精确评估与预测。     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于局域波法的时间序列预测

提出了一种新的用于时间序列预测方法。由于实际信号常常具有非平稳特征，直接应用AR模型进行时间序列分析，得不到理想的效果。而局域波分解法是一种新的分析非平稳、非线性的工具。用局域波分解法对待预测的时间序列进行经验模式分解，产生多个基本模式分量，对各个分量分别进行AR模型预测，然后重构各个预测值。仿真结果表明预测结果比直接进行AR模型预测更加精确。