多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

KLT-based local linear prediction of chaotic time series

In the reconstructed phase space, based on the Karhunen-Lo`eve transformation (KLT), the new local linear prediction method is proposed to predict chaotic time series. A noise-free chaotic time series and a noise addedchaotic time series are analyzed. The simulation results show that the KLT-based local linear prediction method can effectively make one-step and multi-step prediction for chaotic time series, and the one-step and multi-step prediction accuracies of the KLT-based local linear prediction method are superior to that of the traditional local linear prediction.     

Research on Chaotic Time Series Prediction Based on K-entropy and RBF Neural Networks

In this paper, a method of direct multi-step prediction of chaotic time series is proposed, which is based on Kolmogorov entropy and radial basis functions neural networks. This is done first by reconstructing a phase space using chaotic time series, then using K-entropy as a quantitative parameter to obtain the maximum predictability time of chaotic time series, finally the predicted chaotic time series data can be acquired by using RBFNN. The application considered is Lorenz system. Simulation results for direct multi-step prediction method are compared with recurrence multi-step prediction method. The results indicate that the direct multi-step prediction is more accurate and rapid than the recurrence multi-step prediction within the maximum predictability time of chaotic time series. So, it is convenient to forecast and control with real time using the method of direct multi-step prediction.     

基于小波分解的月径流预测校正模型研究

根据小波分析理论,建立了月径流序列的小波分解预测校正模型。该模型通过小波分解方法将月径流非平稳时间序列分解为多个细节信号序列和一个逼近信号序列,然后运用平稳时间序列的ARMA模型对各信号序列分别进行预测,最后再对各序列预测结果的和进行校正。以长江的宜昌站和寸滩站的月径流资料为例,分别采用ARMA模型、季节性ARIMA模型、BP神经网络模型以及所建立的小波分解预测校正模型进行模拟预测,并讨论了小波分解尺度数对小波分解预测校正模型的影响。结果表明,所建立的小波分解预测校正模型较其它模型具有更高的预测精度,并且尺度数对月径流序列模拟预测的效果没有显著的影响。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

混沌时间序列局域预测方法

在深入研究混沌时间序列局域预测方法的基础上,提出了一种加权局域基函数预测方法。该方法综合考虑了广义自由度和邻近点权重,提出了加权动态确定最邻近点数的判定条件,并利用基函数拟合确定出的最邻近点进行预测。算例分析表明,加权局域基函数法具有较高的预测精度,是比较理想的用于混沌时间序列的预测方法。     

基于相空间同步的多变量序列相关性分析及预测

针对多变量混沌序列相关性分析中各分量幅值之间可能没有明显的相关性,但在其相空间邻域内会产生同步特性的问题,提出一种从相空间同步角度研究两个变量间相互依赖关系的非线性相关分析方法。首先按照对应的时间标记将原始变量相空间中的邻域点向另外一个变量中进行投影,分析映射前后邻域半径的变化,在此基础上定义一种度量变量间非线性相关性的评价指标。最后构建多变量局域预测模型,实现对多变量混沌序列的精确预测。仿真实例验证了结果的有效性。     

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。     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

外商直接投资趋势研究——基于灰色马尔可夫预测模型与时间序列模型的对比

外商直接投资是影响中国经济发展的重要因素,而未来外商直接投资的预测是其发展和决策的基础.文章在阐述外商直接投资对中国经济发展的作用以及对未来中国利用外资水平预测的必要性的基础上,选取2000-2013年度中国利用外商直接投资(FDI)的数据,通过建立灰色马尔可夫(GMM)和时间序列模型,对中国利用FDI的趋势进行预测,并对预测结果精度进行比较,以得出较优的预测模型.研究结果表明:传统灰色模型合格,但仍有可提升的空间;在此基础上,建立GMM预测模型对结果进行修正,所得模型的灰色关联度有很大提升,且与真实值差距进一步缩小;建立时间序列模型,并据此对数据进行预测;比较GMM与时间序列模型预测结果的精度,可知,GMM的预测精度较高,拟合效果较好.为验证这一结果的可信度,文章选取1990-2013年度北京市和重庆市FDI水平的数据,建立GMM和时间序列预测模型,再次发现GMM预测效果优于时间序列模型的预测效果.基于此,GMM对中国利用外资水平的预测结果较为可信,预测结果对完善中国直接利用外商投资的机制具有一定参考价值.     

运用SAS软件对上证指数月线数据的综合预测分析

运用SAS软件系统中的一些一元和多元时间序列分析方法对我国上少证券交易所的上证综指、上证A股及B股指数的月收盘指数作了预测分析，得到了较高的预测精度，为预测股票市场的中期走势提供了一种方便实用的方法。     

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.     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

扎龙湿地发展趋势的ARIMA分析

湿地面积发展模型不仅是非平稳序列,而且是非发散的季节周期相关序列,季节序列的特点是季节时滞处强相关。应用非平稳时间序列分析扎龙湿地面积演化动态,可有效地剔除用于预测的历史数据中的野值及奇异点,修正了预测结果,对湿地面积演化有较好的解释能力,利于建模和预测。结果表明,该方法用于湿地发展面积预测建模速度快、预测精度高,是一种行之有效的方法。图4,表3,参3。     

参数自适应的长期IFTS预测算法

针对模糊时间序列预测理论多局限于短期时间范围预测以及对不确定数据集模糊变化趋势描述和论域区间划分研究不足的问题,构建了参数自适应的长期直觉模糊时间序列预测模型。新模型通过引入滑动窗口机制和参数自适应的直觉模糊C均值聚类算法优化论域区间划分,利用矢量预测技术解决时间序列长期范围预测误差积累的问题,有效地提高了复杂环境下时间序列长期趋势预测的精度,扩展了直觉模糊时间序列预测理论的应用范围。最后,通过典型实例验证了该方法的有效性和优越性。     

混沌系统可预测尺度研究

着重讨论了混沌系统未来状态预测的“长期”与“短期”问题。混沌系统的初始状态敏感性决定了其不可长期预测性。但在短期内对混沌系统的运动作出准确预测还是可能的。基于此，给出了混沌时间序列的平均可预测尺度及最长可预测尺度，以此来界定短期预测的时间范围。最后利用Logistic映射以及Henon映射产生的混沌时间序列对上述理论进行了实例骓证，得到了较为理想的结果。     

支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

Chaotic time series multi-step direct prediction with partial least squares regression

Considering chaotic time series multi-step prediction,multi-step direct prediction model based on partial least squares(PLS)is proposed in this article,where PLS,the method for predicting a set of dependent variables forming a large set of predictors,is used to model the dynamic evolution between the space points and the corresponding future points.The model can eliminate error accumulation with the common single-step local model algorithm,and refrain from the high multi-collinearity problem in the reconstructed state space with the increase of embedding dimension.Simulation predictions are done on the Mackey-Glass chaotic time series with the model.The satisfying prediction accuracy is obtained and the model efficiency verified.In the experiments,the number of extracted components in PLS is set with Cross-validation procedure.     

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。