基于EEMD和进化KPCR的复杂时间序列自适应预测建模

针对具有非线性、非平稳、多尺度特性的复杂时间序列, 提出一种基于集合经验模态分解（EEMD） 和进化核主成分回归（KPCR）的自适应预测建模方法. 首先运用能克服传统EMD算法中模态混叠现 象的EEMD算法, 按原始时间序列信号的构成特点将其分解到不同尺度, 然后对不同尺度序列采用 C-C方法重构相空间, 在相空间中运用基于混合核函数的KPCR方法构建预测函数. 同时, 针对不同 尺度序列预测模型的优选问题, 采用粒子群优化（PSO）算法在给定准则下自适应确定各项参数, 最后将不同尺度预测结果集成, 得到实际时间序列的预测值. 通过对国际原油价格的数据进行实 证预测分析, 表明了该方法能够在不同尺度对时间序列的变化趋势进行有效描述, 自适应获取优 化的预测模型. 与现有方法相比, 具有较强的自适应建模能力和较高的预测精度.     

基于奇异谱分析的航空客运需求分析与分解集成预测模型

考虑到航空旅客运输需求影响因素复杂以及航空客运需求序列非线性非平稳等特征,本文提出了一个基于奇异谱分析(SSA)的航空客运需求分析与分解集成预测模型.需求分析阶段,首先使用SSA对航空客运需求序列进行有效分解,接着借助奇异熵理论,将序列重构为长期趋势项、中期市场波动项和短期噪声项;预测阶段,使用排列熵(PE)判断各重构序列复杂度的高低,并依据序列复杂度分别选择粒子群算法(PSO)和布谷鸟算法(CS)双优化的支持向量回归模型(SVR)或单整自回归移动平均模型(ARIMA)进行预测,结果表明,该分解集成预测模型较ARIMA、SVR等基准模型有着更好的预测性能.     

基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

基于VMD的中国出口集装箱运价指数分析与组合预测

基于分解-重构-分项预测-集成思想,通过优选分解方法、优化重构方法、优选预测方法及合理选择集成方法等途径,构建了基于变分模态分解(VMD)的组合预测模型,对中国出口集装箱运价指数(CCFI)进行了预测,分析了CCFI波动特性及经济内涵.首先,选用VMD将运价指数序列分解为多个模态分量;其次,采用C值优化的FCM算法将模态分量重构为高、中、低频和趋势项,通过波动特性分析挖掘了重构项蕴含的短期市场不均衡因素、季节因素、重大事件及市场供需等经济内涵;再次,构建了基于数据特征分析的预测模型优选方法,进行了重构项预测;最后,将重构项预测值相加集成,分析了预测效果.实证结果表明,构建的组合模型预测效果优于BPNN、SVM、ARIMA等单一模型、EMD组合模型及未优化的VMD组合模型,较好地体现了CCFI外在波动特征与内在经济意义.     

短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

基于EWT-SSA-PSO-ELM模型的P2P网贷市场收益率预测

鉴于目前鲜有研究关注P2P网贷市场收益率预测问题,针对已有金融市场收益率预测研究存在的不足,提出了一种基于两阶段分解技术和粒子群优化极限学习机的EWT-SSA-PSO-ELM预测模型.引入EWT经验小波分解算法对原始的收益率综指序列进行分解,进而提高原始序列的分解效率;采用Lempel-Ziv复杂度算法提升模式分量重构的科学性,避免以往分量重构过程的随意性;利用SSA奇异谱分解算法对高频重构分量进行降噪,从而提升高频重构分量预测效果.基于该预测模型对P2P网贷市场收益率综指进行预测,实证结果表明,所构建的收益率预测模型的性能显著优于其余基准对比模型.     

事件影响下的时间序列多尺度集成预测

针对时间序列的非线性、非平稳和多尺度特征,考虑到事件对序列结构产生的影响,提出事件影响下的时间序列多尺度集成预测策略。首先,基于经验模态分解将原始序列分解成若干分量,从多个尺度展现序列的基本构成;随后,基于迭代累积平方和实现分量序列的变点检验,从多个尺度判别和获取事件对序列产生的结构性影响;然后,基于干预分析构建事件对不同分量序列的影响模型,据此剔除事件影响,获取净化序列;最后,运用基于粒子群优化的支持向量回归,建立单一尺度的序列预测模型,进而实现事件影响下的时间序列多尺度集成预测。实证分析表明:该策略能够精细辨识事件对序列的多尺度影响,有效建立序列总体及分量的预测模型,与传统方法相比,具有更强的事件辨识能力、自适应建模能力和更高的预测精度。     

基于改进多孔算法的时间序列预测

针对小波分析技术存在的边界问题,提出一种改进的多孔算法。使用该算法得到的系数序列,在具备时移不变性的同时,消除了右侧边界存在数据畸变的现象,使小波分析技术结合神经网络等传统预测模型的方法应用于单变量时间序列预测任务具备可行性。为进一步提高预测精度,引入了神经网络集成技术以改善网络泛化能力。实验表明,这种组合预测模型预测效果与稳定性优于传统预测模型。     

基于升阻比变化规律的再入高超声速滑翔飞行器轨迹预测算法

针对高超声速滑翔飞行器再入拉起后升阻比呈近线性增长的特点,提出一种基于升阻比变化规律的轨迹预测算法。首先对目标运动方程进行分析,发现轨迹预测算法的关键在于能否预测升阻比的大小;然后通过对目标进攻轨迹的仿真得到了升阻比呈近线性增长的规律,给出了升阻比变化函数的形式及拟合方式,并在此基础上设计了轨迹预测算法,最后通过仿真验证了算法的有效性。该算法对反助推-滑翔无动力跳跃飞行器指挥决策问题的研究具有重要意义。     

基于自适应滤波的高超声速滑翔目标三维跟踪算法

针对临近空间高超声速滑翔飞行器机动模式复杂,单一运动学模型难以完成三维跟踪的问题,提出一种三维跟踪方法.将飞行器机动弹道分为纵向和横向弹道,根据飞行器机动特性,在纵向上将加速度建模为零均值的二阶时间自相关随机过程,在横向上采用Singer模型和匀加速模型进行交互多模型(interactive multiple mode...     

基于控制变量估计的高超声速再入滑翔目标轨迹预测算法

以高超声速再入滑翔目标为研究对象,在对目标机动控制变量进行建模分析的基础上提出了一种轨迹预测算法。首先,基于动力学建模构建了目标跟踪模型,利用气动参数对目标状态向量进行扩维并推导了对应的运动模型。其次,构造了适用于轨迹预测的目标机动控制变量,在不同机动模式下分析了控制变量的变化规律,基于控制变量设计了对应运动方程以及轨迹预测模型。最后,仿真生成了两条轨迹并对所提算法进行了仿真验证,分析了算法性能。仿真结果表明所提轨迹预测算法能够取得较好的预测效果。     

考虑阻力系数时变的下压段半解析时间预测方法

高超声速飞行器下压段飞行环境复杂、弹道参数变化剧烈、被动减速较快,传统解析预测采用的常值阻力系数假设不再适用。考虑攻角、马赫数影响,对阻力系数表达式进行拓展,基于解析理论对复杂弹道方程加以简化,得到以剩余射程为自变量的微分方程,通过数值积分快速求解弹道诸元,提升全弹道快速规划能力。典型弹道仿真表明,与传统常值假设相比,所提方法可将俯冲下压段的时间预报误差降低到1 s左右,同时不增加计算复杂度,实现滑翔飞行器俯冲飞行时间、速度、动压的精准、快速预报。     

城市交通组合随机用户平衡模型

提出了适用于大规模网络的组合随机用户平衡模型,能够同时预测出行分布和交通分配。因为出行分布、交通分配子模型都是建立在随机效用理论基础上,因此,整个模型具有一致性,且具有很好的行为解释。引进循环优化分配算法,并用一个简化的例子对模型及算法进行了验证说明。     

基于大地坐标系的IMM航空器短期航迹外推

针对航路飞行阶段的航空器, 通过对比空间直角坐标系和大地坐标系的优劣, 采用大地坐标系表示航空器的位置; 基于大地坐标系, 将航空器的运动解耦成3个方向上的独立运动, 分别建立每个方向上的子模型; 使用交互式多模型(interacting multiple model, IMM)算法对航空器的航迹进行跟踪。仿真结果表明, 基于大地坐标系的IMM算法对于航空器有很好的轨迹追踪性能; 根据航空器末时状态及各个子模型的概率分布进行航空器的航迹短期外推, 基于大地坐标系的IMM算法的航迹外推性能优于基于空间直角坐标系的IMM算法的航迹外推性能。     

临近空间高超声速飞行器机动模型及弹道预测

讨论了临近空间轴对称高超声速机动飞行器的跟踪及弹道预测问题。通过引入3个与气动力参数相关的状态变量,建立起一种非线性机动模型,并证明了基于该模型的非线性跟踪系统的可观性。针对此非线性跟踪系统,设计了扩展卡尔曼滤波器以及状态预报器,实现弹道跟踪和预测。仿真结果表明,对于临近空间飞行器在巡航末段的运动状态,采用所提出的机动模型,可以取得优良的跟踪和预测效果。     

NSHV机动目标跟踪的自适应模型算法

临近空间高超声速飞行器具有飞行轨迹多变、机动性强等特点,而周期性的滑跃式飞行是其常用的重要机动形式。将目标加速度建模为时间自相关的随机过程,结合“当前”统计模型的自适应跟踪思想,提出了一种针对临近空间高超声速飞行器机动目标跟踪的模型。采用容积卡尔曼滤波算法分别对单模型和交互式多模型进行了蒙特卡罗仿真分析,结果表明该模型在跟踪临近空间高超声速飞行器时有较好的跟踪精度和适用性。     

高超声速伸缩式变形飞行器再入轨迹快速优化

针对高超声速变形飞行器再入轨迹优化问题, 研究了一种基于改进高斯伪谱法(Gauss pseudospectral method, GPM)的快速优化方法。首先，针对一种采用伸缩式机翼的高超声速变形飞行器, 建立了将展长变形量扩展成为控制变量的再入轨迹优化模型。其次, 采用GPM将轨迹优化问题转化为非线性规划(nonlinear programming, NLP)问题, 并基于NLP偏导数的稀疏性推导目标函数梯度和约束Jacobian矩阵的高效计算方法。最后, 优化求解了变形飞行器的最大横向航程、再入可达区、最大终端速度和最小飞行时间。仿真结果表明, 推导的梯度计算方法可有效提高优化求解效率, 变形飞行器相对于固定外形飞行器的性能更加优越, 最大横向航程、可达区覆盖范围、最大终端速度和最小飞行时间等指标均有显著提升。