短期负荷概率性预测的混沌时间序列方法

提出了一种基于混沌时间序列的短期负荷概率性预测方法.该方法采用混沌时间序列预测得到确定性预测结果,进而计算局部预测方差,并根据不同置信水平下的历史预测误差样本的双侧分位数估计值,构造概率性预测区间,实现短期负荷的概率性预测.采用北方某电网负荷数据进行了实验,验证了该方法的可行性与有效性.     

油纸绝缘中局部放电时间序列的混沌特性及其模式识别

为了对局部放电进行识别,建立并使用电脉冲法测量了油纸绝缘中的5种典型缺陷模型,利用混沌方法研究了局部放电的时间序列信号.结果表明,局部放电具有明显的混沌特征,是一个混沌过程.根据局部放电的混沌时间序列和由其得到的混沌吸引子能定性地分析和识别局部放电类型.选取相空间重构参数和重构后的混沌特征量对局部放电的混沌特性进行了定量表征.利用径向基(RBF)神经网络对相间局部放电(PRPD)和局部放电的混沌分析(CAPD)方法分别作了模式识别的效果验证和比较,表明两者的识别结果良好且各有优势.综合选取PRPD模式的统计算子与CAPD模式的混沌特征量作为神经网络的输入向量,平均正判率达到95%以上,明显提高了局部放电类型的识别效果.     

预测反馈控制方法在经济混沌系统中的应用

将经济系统中的一类多参数混沌模型 ,在参数控制法的基础上 ,对延迟反馈控制方法进行了改进 ,提出了基于预测的反馈控制方法 .该方法解决了控制局部稳定性的条件问题 ,并对稳定性给出了充分必要条件 ,也从理论上克服了延迟反馈控制中增加维数的弊端 .该方法控制结构简单 ,易于实现 ,本文通过两例具体的经济混沌模型进行了验证 ,仿真结果表明基于预测的反馈控制方法的有效性     

基于小波神经网络理论的边坡位移预测

研究边坡位移混沌时间序列的预测,利用混沌系统的相空间重构理论,提出基于小波神经网络的边坡位移预测方法.通过计算表明,该方法与其它方法相比可避免误差曲面局部最小,网络节点少,参数确定较为容易,学习效率高,收敛速度快,自适应性强,精度高等优点,为边坡位移预测提供了一种可行的、新的探索途经.     

混沌神经网络预测算法评价准则与性能分析

为比较各种混沌神经网络预测算法的误差性能 ,该文提出了预测误差评价准则 ,即根均方误差 ,偏差 ,预测精度 ,决定度系数 ,绝对误差 ,以及一些归一化根均方误差等 ,并分析了它们在描述误差特征上的具体含义。针对两种混沌神经网络预测算法 (即全局神经网络算法和局部神经网络算法 ) ,利用该准则进行了性能分析 ,给出了合理的评价。结果表明 ,与混沌神经网络预测的局部模型算法相比 ,全局模型算法有更好的预测效果 ,且训练时间短 ,占用资源少 ,推广能力好     

基于混沌理论的短时公交到站时间预测

为分析公交到站数据的混沌特征及可预测性,选用运行在非公交专用道上连续6日的单线公交到站实测数据,利用能够应用于工程实践的混沌判别手段和预测方法对数据进行分析.结果表明:公交单日到站数据均具有混沌特性,且在工作日和休息日均具有该特性,同时公交多日到站数据同样具有一定的混沌特性证实了混沌特征在公交到站数据中的存在.可见基于混沌理论的预测方法能够对公交到站延误和站点停靠时间的多日数据进行有效预测.     

基于混沌粒子群优化的微电网短期负荷预测

针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)时存在非最优解问题,提出了一种基于混沌理论(Chaos theory)的粒子群优化LSSVM参数的短期负荷预测的方法.该预测模型首先引入混沌理论,对粒子群算法加以改进;然后让结合混沌理论的PSO对LSSVM回归估计进行参数优化,得到CPSO-LSSVM;最后将该方法应用于短期负荷预测,通过Matlab仿真训练得到预测结果.仿真实验结果表明该方法不仅可以降低算法陷入局部极值的可能性,还提高了学习能力,从而提高了预测的精准度.     

基于非局部均值的混沌映射噪声抑制算法

提出了一种基于非局部均值的混沌映射噪声抑制算法.该算法根据混沌映射的特征,利用实验分析得出非局部均值应用于混沌映射噪声抑制时滤波参数块长、搜索区间和带宽参数的最优取值.仿真结果表明,文中算法对高斯噪声的抑制性能优于现有的相空间估计投影方法、扩展卡尔曼滤波方法和无先导卡尔曼滤波方法,能对不同噪声水平的混沌映射进行有效的噪声抑制.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

预测反馈法控制时空混沌系统的理论及实验研究

用预测反馈控制方法对时空混沌系统的控制进行了研究,该方法是在耦合映象格子中的每个格点处加入局部预测反馈控制器.以单向环形Henon耦合映象格子(ORHML)为例,在理论上给出了将系统控制到不稳定不动点的充分条件,并通过数值仿真及电路仿真实验证实该方法的有效性.     

基于局域波与混沌集成的中国股票市场预测

基于局域波分解和混沌理论提出了一种中国股票市场建模及其预测的局域波与混沌集成的方法。首先应用局域波分析方法对上证综指日收益率序列进行分解,分别得到低频部分和高频部分。接着利用二阶Renyi熵K2分析各部分的混沌特性,然后用相空间的多点相似预测方法对低频部分和高频部分进行预测。最后用局域波分解理论对各部分预测结果予以重构,完成对原始日收益率序列的预测。局域波分解方法是现有处理非平稳序列最有效的方法之一,相空间的多点相似预测方法适应于我国股票市场存在的混沌现象,较现有方法,结果具有更高的精确度。     

多层递阶非平稳时间序列模型预测矿坑涌水量

将多层递阶方法与非平稳序列分析相结合来预测矿坑涌水量。在预测过程中,改变了传统的应用周期变量法来时变参数,提出了应用非平稳时间序列模型加以预测。表明了此种方法是可行的。拓宽了多层递阶方法的应用范围,为预测矿坑涌水量提供了一种新思路。     

基于核函数的混沌交通流预测

采用一种基于核函数的局域线性预测算法进行城市短时交通流预测．在对混沌时间序列进行重构的基础上,利用径向基核函数将相空间中邻近点投影到更高维的核空间,然后在核空间中用线性自适应算法对时间序列进行预测,现场数据的试算结果表明,该方法能有效提高短时交通流的预测精度．     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

基于混沌时序的WTI价格系统预测

针对现代金融理论在描述价格波动行为时和真实市场之间存在着一定的差距问题,为运用混沌时间序列的方法来提取价格序列中蕴含着的动力学信息,并应用到实际预测,采用改进C-C算法消除在求解时间延迟时出现的矛盾,并且在计算Lyapunov这一重要系统特征量的过程中,结合R/S分析的方法,对小数据量法进行改进,用于WTI价格系统的预测.结果表明:该方法与传统方法相比,混沌时间序列预测的精度和可信度得到了提高,在经济预测方面有一定的理论价值和良好的应用前景.     

基于类别映射的编组站车辆中时预测模型

现行铁路编组站车辆中时预测方法不能满足实际运输组织需求,结合车辆中时数据平稳性特点,设计基于类别映射的货种与车种映射函数,充分考虑车种别、货种别车辆中转作业差异,重新生成车辆中时序列.采用时间序列分析方法分析中时序列,提出新的编组站车辆中时预测模型,并采用极大似然估计法对参数进行估计并求解模型.实验结果表明,该方法能够较准确预测编组站车辆中时,符合实际中时发展趋势,提高了铁路车流预测的准确性.     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

云锡矿工肺癌的时间序列预测方法

本文对云锡矿工肺癌的SMR(Standard Mortality Rate,标准死亡率比)预测模型进行了分析,指出该模型的局限性。在此基础上提出了直接利用矿工肺癌死亡数的AR(Auto-Regreesive,自回归)模型预测法和矿工肺癌SMR序列非平稳时序模型预测法,分析了这两种预测法的优劣和适用范围,并对云锡老矿20～40年代下井矿工肺癌死亡进行了预测,得出矿工肺癌死亡趋势将减缓的结论。结果表明,本文提出的预测方法是可行、可信的。     

基于自适应模糊时间序列法的光伏发电短期功率预测

针对并网光伏发电系统功率预测问题,提出一种基于自适应模糊时间序列法的并网光伏发电短期功率预测模型.根据光伏发电系统的历史发电数据,进行自适应算法处理,使数据结构与预测模型相适应,确定聚类数目、划分论域并定义论域区间.通过对历史数据进行模糊化处理,确定各模糊关系组,再计算各类模糊关系组的权重向量.按照模糊时间序列的方法进行光伏发电功率预测,并去模糊化得到实际预测结果.结果表明,对比时间序列预测法ARIMA模型,本文预测模型结果误差由13.66%减小到11.34%,并且在处理突变数据上有较大改进.