基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

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.     

一种时间序列优化的粒子滤波算法

针对预测对象在动态过程中发生结构性变化的时间序列,难以建立一个实时解析变化趋势的模型.本文提出基于时间序列自适应建模的粒子滤波算法(TS-PF).采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计.非线性预测系统仿真实验表明基于时间序列自适应建模的粒子滤波算法(TS-PF)比单纯采用时间序列动态建模算法(TS)精度更高,提高了动态目标跟踪的准确性.     

基于支持向量机的云计算资源负载预测模型

为了准确描述云计算资源负载的动态变化趋势,设计了云计算资源负载预测模型。采用混沌分析算法对云计算资源负载的时间序列进行处理,构建云计算资源负载预测的学习样本。采用支持向量机(SVM)建立云计算资源负载的预测模型,并设计了组合核函数,以提高SVM的学习能力。选择灰色模型、反向传播(BP)神经网络、径向基函数(RBF)神经网络、RBF核函数的支持向量机进行云计算资源负载预测的仿真对比实验。结果表明,对单步云计算资源负载预测时,该文模型的预测精度为94.85%,仅低于灰色模型的95.85%;对多步云计算资源负载预测时,该文模型的预测精度最高,为89.17%。     

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CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型，实现了黄土高原陇东区风电场月平均风速的准确预测.首先，采用CEEMDAN算法对收集到的风速时间序列进行去噪，以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷；其次，采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化，以克服SVM参数选择敏感的缺陷；最后，用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测，预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

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.     

预测及其主要模型的实现系统

针对已有预测模型并不完善的问题，在总结现有的预测模型（线性回归模型、时间序列分析、线性随机模型、神经网络模型等）基础上，采用实验分析的方法提出一种新的加权模糊推理的预测模型及基于马尔科夫性的区间预测方法，给出了实现系统，经试验验证，这种模型是比较准确的，一般误差不超过10％。     

基于门控循环单元神经网络的交通流预测模型

针对交通流数据的时间序列关联性特征,在大数据处理技术基础上,构建了基于门控循环单元(GRU)神经网络的交通流预测模型.根据交通流数据产生速度快、数据量大的特征,基于Flink框架并应用Kafka消息队列机制对获取的实时交通流数据进行预处理;基于门控循环单元神经网络,设计了当前时间与上一步时间的隐藏交通流状态;计算了交通流数据的时间序列相关性,从而实现交通流的预测.实验结果表明,基于门控循环单元神经网络的交通流预测模型可有效降低平均绝对误差和均方根误差,提高交通流的预测精度.     

遗传算法优化的神经网络频谱预测模型训练

针对认知无线网络(CRN)中神经网络频谱预测模型原有的反向传播算法预测准确率不高的问题,提出一种遗传算法优化的神经网络频谱预测模型训练(GA-NN)算法。通过在选择、交叉、变异中加入随机性,使种群的个体收敛至包含全局最优解的集合内,再通过反向传播算法训练神经网络频谱预测模型(BPNN)快速搜索到全局最优解。仿真结果表明,GA-NN算法训练的神经网络频谱预测模型的预测准确率比BP-NN算法提高一倍以上,GA-NN算法在多种CRN中具有适用性。GA-NN算法提高了频谱预测模型的预测准确率,将促进频谱预测技术在CRN中的推广应用。     

递归神经网络预测在库存管理决策中的应用

为解决供应链中库存管理的不确定性问题，建立了基于递归神经网络技术的需求预测模型，并在此基础上提出了该模型的学习算法．通过实验仿真将该模型同经典多层前馈神经网络模型的预测效果相比较，得出了该模型在多步预测方面比较优越的结论．利用某企业的销量预测进行了实例验证，效果良好．     

基于递归神经网络的多步预报方法

为了解决由多层前馈神经网络递推运算获得的多步预报存在的预报误差迭代累积问题 ,提出了基于局部递归神经网络的多步递归神经网络 (MSRN)模型 ,对时间序列进行了多步预报 .用模拟振动数据把MSRN模型用作单步和多步的预报能力 ,同经典的多层前馈神经网络进行了比较 ,并预报了天津石化总公司炼油厂大机组某测点振动的变化趋势 实践表明 ,用该方法进行多步预报误差小 ,并具有良好的预报能力 .     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

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.     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

Dynamic learning rates algorithm for BPNN to forecast time series of dam security

Time series data of dam security have a large number of observed values and should be forecasted accurately in time. Neural networks have the powerful approach ablilities of arbitrary functions and have been broadly utilized in many domains. In this paper, a dynamic learning rate training algorithm of back-propagation neural networks for time series forecasting is proposed and the networks with this algorithm are built to forecast time series of dam security. The application results demonostrate the efficiency of modelling and the effictiveness of forecasting.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。