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。     

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．     

小波在金融时序预测中的应用

利用小波函数的局部化性质,对非平稳时间序列股票开盘价数据进行分解,然后再进行M allat重构。这样就得到了原始数据的近似信号,再应用传统时间序列预测方法ARMA（p,q）模型对重构后的数据进行预测,将预测结果与实际值进行比较,可得小波分析方法预测效果比较理想。     

基于时频融合卷积神经网络的股票指数预测

传统的股票指数预测方法是在含噪声、非平稳以及非线性的原始股指序列数据上实施的,这将导致预测精度的下降.为了解决这个问题,提出了一种基于时频融合卷积神经网络的股指预测方法.首先通过引入变分模态分解(VMD)将原始序列数据分解到频域特征上,使得分解后的股指数据具有低信噪比,同时具有更明显的趋势性和平稳性.进一步结合时序卷积...     

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.     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法.通过小波多分辨分析把某些非平稳间序列分解若干层近似意义上的平稳时间序列,然后再用自回归模型对每层的单支重构信号进行预测,最后综合每层的预测值可得到原时间序列的预测值.仿真实验表明了该方法的优越性.     

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．     

软件可靠性预测的小波分析方法

软件可靠性预测对于软件可靠性评估以及软件工程项目的过程控制具有重要作用。本文提出的软件可靠性预测模型,通过小波分解将非平稳的软件可靠性随机序列分解成趋势项、周期项和一系列时间调制平稳随机序列,对趋势项和周期项按常规的预测方法进行预测,而时间调制平稳随机序列再用小波方法预测,最后合成得到软件可靠性预测。实例分析表明,本方法是可行的。     

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。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

基于流预测的无线传感器网络动态功率管理

为了最大限度地节约能量的使用,延长无线传感器网络使用寿命,提出了一种利用小波和自回归的动态功率管理(DPM)方法.该方法利用收发器(sink)节点上的历史数据流预测未来值,在后续周期内,若传感器节点的观测值不超过给定阈值则不向sink节点发送数据,sink节点将预测值作为观测结果,通过减少传感器节点工作时间,降低网络数据传输量来减少传感器网络的总体能量消耗.理论分析和试验结果表明,该方法是有效的.     

基于小波去噪的改进灰色自适应变形预测

针对变形量的预测问题,研究了基于小波去噪的改进灰色自适应预测模型.由于监测变形体时很多因素会使测量数据与实际变形数据有偏差,因此首先利用小波去噪方法对变形监测数据序列进行去噪处理,然后再利用灰色自适应模型预测变形量;并对模型的初值进行了修正.最后对一组基坑变形监测数据实例进行分析,表明该方法比单一灰色预测模型更加有效.     

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。     

不同径流尺度的小波神经网络预测

本文探讨了小波神经网络在径流预测中的应用。该方法结合了神经网络和小波转化的优点,弥补了人工神经网络在预测应用中的不足,较好的追踪预测径流时间序列中的突变性,强转折性,奇异性点等。并且本研究通过与人工神经网络预测方法比较研究,得出小波神经网络能取得更高精度的不同尺度的径流预测值。     

Application of wavelet transform in runoff sequence analysis

A wavelet transform is applied to runoff analysis to obtain the composition of the runoff sequence and to forecast future runoff. An observed runoff sequence is firstly decomposed and reconstructed by wavelet transform and its expanding tendency is derived. Then, the runoff sequence is forecasted by the back propagation artificial neural networks (BPANN) and by a wavelet transform combined with BPANN. The earlier researches seldom involve the problem of how to choose wavelet function, which is important and cannot be ignored when the wavelet transform is used. With application of the developed approach to the analysis of runoff sequence, several kinds of wavelet functions have been tested.     

基于小波分析和RBF神经网络的铜价预测

提出一种非线性时间序列预测方法,即把小波分析结合RBF神经网络预测方法对非线性时间序列进行预测。对铜价的预测结果表明,该方法比单纯的小波预测或单纯的RBF网络预测精度高,可以很好的应用于某些非线性时间序列的预测中。     

银川市空气污染指数的分析与预测

空气污染指数（air pollution index,API）是评价空气质量状况的有效手段．在分析银川市API变化特征的基础上,将小波分析与BP神经网络相结合,分别采用分解一预测一重构法和小波函数替代法对银川市API值进行了预测．结果表明：银川市API呈现年际下降,月际周期波动的特点;相对于其他小波,采用db10对数据进行分解、预测、重构后获得的结果最好;分解预测重构模型的预测精度较高,优于小波函数替代模型,适用于银川市空气污染指数的预测．     

Application of Wavelet Fractal Dimension Estimation Method on Flood Season Staged

Floodwater utilization is an important content in flood management. Controlling the limit water level of reservoir by stage is one of important contents in the management of multi-purpose reservoir＇s floodwater utilization for the sake of more benefits, and reasonable division of stage in flood season is precondition of controlling the limit water level by stage. On the background of Three Gorges Reservoir floodwater utilization management and on the foundation of self-similarity of hydrological series, determining the number of flood season staged in base of conventional statistical method, choosing the Db4 wavelet and Mallat algorithm, the computation mode of wavelet fractal dimension estimation method is proposed and each stage＇s fractal dimension is computed, then the final flood season staged is obtained. The results demonstrate the stages of Three Gorges Reservoir determined by using wavelet fractal dimension method are consistent with that from conventional method, but the fractal dimension results by former method are easier, more stable and objective which ensures the feasibility of the wavelet fractal dimension method applying in flood season staged. The obtained results are the base of deep coping with floodwater utilization management, also are the decision-making gist for the flood forecast, flood control and water allocation reasonably of Three Gorges Reservoir.