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。     

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。     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,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,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。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,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

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。     

基于深度学习和小波分析的 LSTM-Wavelet 模型股价预测

针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短 记忆网络(LSTM-Wavelet)模型应用于股价预测。 首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并 分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对 分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构。 使用中石油近两年的股价数据进行实 证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价。 结果表明:相较 于标准 LSTM 模型和小波- ARIMA (ARIMA-Wavelet)模型,提出的 LSTM-Wavelet 模型有更好的预测效果; 通过 小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征 进行分层预测,提高了预测精度。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

基于非平稳序列的主机负载预测及合成技术

提出一种新的主机负载表征指标--并发连接数,分析基于并发连接数的主机负载的自相似性和非平稳性,构建基于小波和支持向量回归的负载预测及合成算法.将主机负载序列进行多层小波分解与单支重构,低频信号采用AR模型预测,最小尺度高频信号采用加权移动平均方法预测,其它分支采用支持向量回归(SVR)预测;各信号预测值基于SVR方法加以合成,获得最终预测值.实验结果表明,将小波与支持向量回归应用于Web服务器负载预测的效果明显好于传统方法.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

一种风电场风速异常数据预处理的新方法

针对风电场采集到的历史风速数据中存在异常值的问题,为保证风速数据的准确性和有效性,提出了一种运用差分自回归滑动平均(auto regressive integrated moving average,ARIMA)、小波分解(wavelet decomposition,WD)和隐马尔科夫(hidden Markov model,HMM)组合算法对异常风速数据进行挖掘的方法.采用ARIMA模型挖掘异常风速数据的潜在特征,得到反映风速值异常情况的残差序列;为进一步提高检测精度和降低系统误差的干扰,采用小波分解方法捕获残差序列中的粗大误差特征;借助HMM算法的双重随机过程检测异常风速值并剔除,将剔除异常值后的数据运用粒子群优化最小二乘支持向量机方法进行重构,保证风速序列的完整性.实际算例结果表明了所提方法的有效性和可行性.     

基于Haar小波与ARIMAX模型进行短期负荷预测

为了提高对非稳态负荷的预测精度,提出了基于Haar小波分析和ARIMAX模型的短期负荷预测方案。首先,通过Haar小波将高频信息序列与低频信息序列分别从电价与负荷序列中分解出来;其次,分别利用电价序列的高、低频序列对负荷序列的高、低频序列进行ARIMAX模型构建和预测;最后,将含有电价信息的高、低频负荷预测值进行Haar小波重构,得到负荷序列的预测值。通过实例验证表明,本文采用ARIMAX模型添加的电价信息,弥补了多次预测产生的误差,对短期负荷的预测精度高于传统时间序列方法。     

基于小波分析的公路旅客运输量预测

为了更加准确地预测动态变化的公路客运量,提出了基于小波分析的客运量的预测方法.针对公路客运量具有拟周期性、非平稳性和非线性的特点,首先利用小波变换对公路客运量时间序列进行小波分解,再重构低频信号提取其变化趋势,然后采用Antisymmetric(whole-point)方法对变化趋势进行延拓,对延拓后信号进行采样得到预测结果.实验表明,该方法可以有效地减小数据预测的误差,优于一般的曲线拟合法.     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

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．     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

基于分形插值的ARIMA大坝预警模型

针对ARIMA模型对含有缺失值的时间序列进行拟合预测会产生较大的误差,将分形插值与ARIMA模型相结合运用在大坝安全监测中.首先利用分形插值能通过分形物体的部分信息得出其整体形态的特点,对原始数据进行插值计算,然后建立ARIMA时间序列模型并进行预测.以小湾坝顶某监测点径向位移为例,建立基于分形插值的ARIMA模型,并与实测值比较.计算结果表明,插值后的ARIMA模型较原始模型的拟合和预测精度更高.     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

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。