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。     

基于局域波法的时间序列预测

提出了一种新的用于时间序列预测方法。由于实际信号常常具有非平稳特征，直接应用AR模型进行时间序列分析，得不到理想的效果。而局域波分解法是一种新的分析非平稳、非线性的工具。用局域波分解法对待预测的时间序列进行经验模式分解，产生多个基本模式分量，对各个分量分别进行AR模型预测，然后重构各个预测值。仿真结果表明预测结果比直接进行AR模型预测更加精确。     

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

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．     

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.     

小波分析在管理数据处理中的应用

提出了一种基于小波变换的管理数据处理方法,把公司管理上的数据看成一个非平稳的时间序列,利用小渡函数将该时间序列分解到不同的频率通道上,然后将分解后的信号当作近似的平稳时间序列,用一些传统的统计方法进行预测,同时对中国足球彩票若干期的销售量数据进行了处理和预测,并将结果与实际销量以及用传统的AR模型的预测值进行了比较。     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

非平稳时间序列的线性预测

本文研究非平稳正态时间序列的线性预测问题。导出非平稳正态序列的递推预测-平滑公式。对于讨论同一问题的某些文献的结论进行了分析,指出该文的结论对非平稳序列并不适用。     

基于小波分析的铁矿石运价预测

在分析了小波分析对铁矿石海运价格非平稳数据序列预测优势的基础上,介绍了多分辨率分析理论和奇异性检测,借助于MATLAB和EVIEWS软件,建立自回归移动平均（ARMA）和Holt-Winters非季节组合模型,对经过处理的高频和低频数据进行静态和动态预测.预测结果表明,小波分析在非平稳时间序列预测方面具有很大的优势.     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。     

Auto-Regressive Models of Non-Stationary Time Series with Finite Length

To analyze and simulate non-stationary time series with finite length, the statistical characteristics and auto-regressive (AR) models of non-stationary time series with finite length are discussed and studied. A new AR model called the time varying parameter AR model is proposed for solution of non-stationary time series with finite length. The auto-covariances of time series simulated by means of several AR model sare analyzed. The result shows that the new AR model can be used to simulate and generate a new time series with the auto-covariance same as the original time series. The size curves of cocoon filaments regarded as non-stationary time series with finite length are experimentally simulated. The simulation results are significantly better than those obtained so far, and illustrate the availability of the time varying parameter AR model. The results are useful for analyzing and simulating non-stationary time series with finite length.     

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ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。