基于隐马尔可夫模型的流数据分类算法

为优化周期性概念漂移分类精度,提出了一种基于隐马尔可夫模型的周期性流式数据分类(HMMSDC)算法,算法结合实际可观测序列的输出建立漂移概念状态序列的转移矩阵概率模型,由观测值概率分布密度来预测状态的转移序列.当预测误差超过用户定义阈值时,算法能够更新优化转移矩阵参数,无须重复学习历史概念即可实现对数据概念漂移的有效预测.此外,算法采用半监督K-Mean学习方法训练样本集,降低了人工标记样例的代价,能够避免隐形马尔可夫模型因标记样例不足而产生的欠学习问题.实验结果表明:相对传统集成分类算法,新算法对周期性数据漂移具有更好的分类精确度及分类时效性.     

基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

随机配置网络在短时电力负荷曲线预测中的应用

传统梯度类神经网络负荷预测模型在面对高维度、大规模负荷数据集时，存在模型构建复杂、训练时间长等问题.为提高负荷曲线预测模型训练的时效性和预测准确性，提出了一种基于随机配置网络的短时电力负荷曲线预测方法.首先针对弱局部负荷波动对预测模型的影响，利用Savitzky-Golay滤波器对负荷时序平滑进行处理，将时序滤波处理后的负荷序列、节假日、气象等数据作为预测模型的输入组成部分.在此基础上，发挥随机配置网络模型的随机增量学习优势，完成负荷曲线预测模型的训练.利用某电厂采集的短时负荷数据及其影响因素数据对模型的预测效果进行验证，仿真结果表明，随机配置网络预测模型相较于深度神经网络模型在模型训练的时间效率方面更具优势，预测的效果基本与深度神经网络模型接近.     

基于残差修正的灰色神经网络在数据挖掘中的应用

针对时间序列数据样本少、部分信息未知的特点,提出将灰色理论与神经网络相结合构建灰色神经网络,充分利用两种方法的优势对小样本时间序列数据进行有效挖掘.为了提高模型的预测精度,提出利用残差对模型进行有效修正.实验分析表明,残差修正灰色神经网络具有较高的预测精度,适合于小样本时间序列数据的挖掘.     

基于LSTM神经网络的畸形波预测

采用长短时记忆(LSTM)神经网络预测方法对某岛礁地形模型的四个典型波浪试验数据进行预测分析,并建立了单步和多步预测模型.首先对波高时间序列数据进行归一化处理;然后建立了包括输入层、隐藏层和输出层的LSTM网络模型框架;最后对测试样本进行单步预测,将预测结果与支持向量机(SVM)模型和反向传播(BP)模型进行了对比.结果表明:LSTM神经网络预测精度有明显优势;多步预测中,提高预测时长其预测精度并无明显降低.     

基于自编码网络的空气污染物浓度预测

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.     

基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法,并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真,结果表明,该模型收敛速度快,稳定性能好,预测精度高.     

基于隐马尔可夫模型的DNA序列识别

利用隐马尔可夫模型训练中不同结构的DNA序列的L值分布范围不同的特点,对传统多类投票模型进行改进,提出一种优于传统算法的快速训练算法,该算法只需训练出一类隐马尔可夫模型参数.对DNA内含子和外显子序列进行识别,平均识别率达到了90.8%.与支持向量机相比,隐马尔可夫模型在解决多分类问题方面具有优势,不但计算时间少,而且识别率高.     

机场道面使用性能的动态自回归预测模型

针对我国机场道面性能观测时间短,观测数据少,使用现有模型预测精度低,不能根据观测值动态更新预测模型等现状,提出了将卡尔曼滤波应用于时间序列预测的方法,建立了动态自回归预测模型,进行机场道面使用性能的预估.选取我国华东某机场的实测道面状况指数为基础数据,进行时间序列建模,应用卡尔曼滤波算法实现时间序列模型参数的实时更新,分析模型的预测效果.时间序列数据较少时,难以建立高精度的自回归模型,通过卡尔曼滤波处理建立的动态自回归预测模型精度明显提高.     

大型活动散场期间地铁车站短时进站客流预测

大型活动散场期间的地铁车站客流属于可预知的非常规客流,采用常规客流的统计预测方法难以准确预测其客流需求.基于深度学习,将历史客流规律、大型活动数据与实时自动售检票系统数据相结合,提出了一种适用于大型活动散场期间地铁车站的短时客流预测模型.首先对历史客流数据进行了拆分及降噪处理,并分析了活动客流特征.之后,基于深度学习框架构建多层结构的卷积神经网络,拟合活动客流特征与客流时空分布的映射关系,并选取Adam(adaptive moment estimation)算法优化训练过程,以适用于活动散场时客流集中进站的情况.最后,以北京地铁奥林匹克公园站为例,利用实测数据验证了模型的准确性.预测结果表明:建立的Adam-CNN(convolution neural network)模型相对于常用时间序列方法自回归滑动平均和传统神经网络SGD-CNN模型具有更高的精度,能够为大型活动的组织提供更为有力的支持.     

基于门控循环单元神经网络的金融时间序列预测

针对循环神经网络(recurrent neural networks,RNN)网络结构存在的长期依赖问题,门控循环单元(gated recurrent unit,GRU)神经网络作为RNN的一种变体被提出。在继承RNN对时间序列优秀记忆能力的前提下,GRU克服了时间序列的长期依赖问题。本文针对金融时间序列数据存在的依赖问题,将GRU扩展应用到金融时间序列预测,提出了基于差分运算与GRU神经网络相结合的金融时间序列预测模型。该模型能够处理金融时间序列数据的复杂特征,如非线性、非平稳性和序列相关性。通过对标准普尔(SP)500股票指数的调整后收盘价进行预测,实验结果表明,所提出的方案能够提高GRU神经网络的泛化能力和预测精度,并且与传统预测模型相比该模型对金融时间序列的预测拥有更好的预测效果和相对较低的计算开销。     

遗传算法优化的神经网络预测团雾

针对国内外研究中现有团雾预测方式中出现的不足,建立了基于遗传算法优化的神经网络预测模型,用以对高速公路团雾的发生进行预测.在利用遗传算法得到BP神经网络的初始权值和阈值基础上,通过神经网络对输入的历史团雾气象数据进行学习训练,建立团雾预测模型.经优化的神经网络模型避免了由于神经网络初始权值、阈值难以确定所造成的网络震荡问题,以及神经网络计算过程中易陷入局部解的问题.实验结果表明,优化后的团雾预测模型具有较高的预测精度,为高速公路团雾的预测提供了新的方法与思路.     

n阶隐马尔可夫模型的参数估计

给出了n阶隐马尔可夫模型( HMMn)的定义及结构.在传统的隐马尔可夫模型及二阶隐马尔可夫模型( HMM2)的基础上研究了HMMn的前向、后向算法,Baum-Welch算法,并导出了HMMn在单观测序列和多观测序列培训两种情况下的参数估计公式.     

灰色马尔可夫链模型的改进及其应用

将灰色模型与马尔可夫链方法相结合,建立了灰色马尔可夫链预测模型,并对该模型进行了改进.采用滑动转移概率矩阵,并依据广西合面狮水库10 a的年最大洪水流量预测以后2 a的年最大洪水流量范围.结果表明,采用改进的灰色马尔可夫链模型,可比较准确地预测随机波动性较大的水文数据序列的范围.     

基于隐马尔可夫模型和遗传算法的地图匹配算法

综合采用隐马尔可夫模型(HMM)和遗传算法,提出了一种新的地图匹配算法.首先初始化HMM概率矩阵,然后使用前向后向算法进行参数学习,用Viterbi算法预测一组路段序列,最后将路段序列作为种群,通过遗传算法得到最优的路段序列.采用北京市2012年出租车GPS定位数据分别对传统的基于隐马尔可夫模型的算法和新算法进行测试,实验结果表明,传统的基于隐马尔可夫模型的算法的匹配精确度低于90%,新算法的匹配精确度高达90%以上.     

一种基于Bi-GRU的卫星对地观测 任务可调度性预测方法

针对现有卫星观测任务可调度性预测模型难以建模长时间间隔的观测任务依赖关系的问题,提出一种基于双向门控循环单元(Bidirectional Gated Recurrent Unit,Bi-GRU)的卫星对地观测任务可调度性预测模型.该模型以卫星历史规划方案作为学习样本,能够以较低计算代价较高准确率地预测出对地观测任务集合中可以被响应的子集.该模型首先通过多层全连接感知机神经网络提取任务属性间的关联关系,然后采用多组多层双向门控循环单元组成的循环神经网络提取观测任务与其前驱及后继观测任务序列的潜在时序特征,最后融合各组双向门控循环单元的预测结果,从而利用观测任务之间的正向与反向信息依赖关系提升任务可调度性预测准确度.实验结果表明,与现有主流预测模型相比,本文提出方法在准确率、精确率、召回率和F1分数等指标上分别提升了2.27％、2.36％、3.45％和2.37％.     

VAE_LSTM算法在时间序列预测模型中的研究

针对长短期记忆网络(LSTM)算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器(VAE)对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA,RNN等预测模型.     

高铁中基于改进GM(1,1)马尔可夫模型的频谱预测策略

针对现有高铁环境中沿线网络复杂且频谱利用率低的问题,将具有人工智能特性的认知基站引入高铁无线通信,并提出一种新的改进灰色GM(1,1)马尔可夫模型对频谱进行预测.与其他方法不同,分别从主用户到来时间及其持续时间两方面进行预测,建立信道的占用/空闲模型.通过新陈代谢GM(1,1)对历史序列的1步预测结果进行对比,得到最佳历史序列个数,并对最佳序列预测值利用二次加权马尔可夫模型进行校正,该校正模型分别对各步长的转移概率和各概率的转移状态进行加权,使其更加适应真实的高铁无线通信场景.通过MATLAB实验仿真,将新的改进GM(1,1)马尔可夫模型与灰色关联度模型的拟合程度和1步预测精度进行对比.结果表明,就时间序列预测而言,该模型对历史序列的拟合程度及1步预测精度更高.因此,该模型能够有效进行频谱预测,提高预测性能.     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.