基于相对误差的线性组合预测研究

在讨论传统的组合预测方法的基础上,对相对误差准则下的线性组合预测进行了研究和推广。分别以"相对误差平方之和最小"、"相对误差之和最小"和"最大相对误差最小"为准则,给出了9个线性组合预测模型,其中有6个线性组合预测模型是新提出的,并且讨论了模型的解法。以美国加州电力日均价为例,给出了9种线性组合预测模型的预测结果,验证了新模型的精确性和优越性。     

基于改进Theil不等系数的导弹备件消耗预测

针对传统备件消耗预测模型在组合赋权方面存在的缺陷,提出了一种基于改进Theil不等系数的诱导有序加权调和平均（induced ordered weighted harmonic averaging, IOWHA）算子和马尔科夫链（Markov chain, MC）的导弹备件消耗预测模型。首先运用最小二乘法、数据变换技术和加权理论对单项预测模型进行改进;然后建立基于Theil不等系数的IOWHA算子组合预测模型;提出利用MC定性推导出组合模型中各单项预测模型在待预测时点上的预测精度状态,进而应用遗传算法（genetic algorithm, GA）求解得到待预测时点上的组合模型权系数。实例结果表明,所提出的组合预测模型大大降低了预测误差。     

短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于组合式信号源的非线性系统辨识

针对非线性系统中噪声的干扰,研究了一类神经模糊Hammerstein输出误差非线性系统的建模和辨识方法,利用组合式信号源实现静态非线性模块和动态线性模块参数辨识的分离,推导了相关性分析法和辅助模型递推最小二乘辨识方法估计动态线性模块和非线性模块的参数,有效抑制系统输出噪声的干扰。仿真结果表明：与最小二乘算法、多项式模型以及多信息方法相比,提出的方法具有参数估计收敛速度快,辨识精度高,建模误差小等优势,验证了所提学习算法的有效性。     

用于双基地雷达目标定位的全局收敛高斯-牛顿法

考虑了双基地雷达目标定位问题中的非线性最小二乘方程组的迭代解法。用高斯 牛顿迭代法解非线性最小二乘方程组计算量小、收敛快,但所得解的正确性及精度依赖于选取的迭代初值与真值的靠近程度,及方程组的非线性强度。给出了两种变步长全局收敛策略,与高斯-牛顿法相结合可得到对初值不敏感的迭代算法。仿真结果表明,用全局收敛的高斯 牛顿法解最小二乘方程组能得到更准确的解,且迭代次数较少。     

Jelinski-Moranda模型的一种新的NLS估计法

提出了一种新的基于非线性最小二乘法的软件可靠性Jelinski-Moranda(J-M)模型参数估计方法(LogLSE).给出了一种与经典的J-M模型最小二乘法等价的曲线拟合函数,推导了J-M模型的新的非线性最小二乘(NLS)参数估计公式.在标准的软件可靠性失效数据一海军战术数据系统(NTDS)和三组J-D.Musa软件可靠性数据上,利用牛顿迭代法求解参数估计的实例分析,说明了LogLSE估计优于传统的基于最大似然估计(MLE)和最小二乘估计(LsE)的J-M模型参数估计.     

组合预测法的改进及其在负荷预测中的应用

阐述了传统组合预测方法的基本原理,并从理论上论证了组合预测方法相对于单一预测模型的优越性。在此基础上,总结了组合预测方法的具体步骤,对组合预测方法基于最小二乘法的最优权重确定方法进行了改进,提出了一种新的基于BP神经网络模型的最优权重确定方法。最后将改进后的组合预测方法应用于电力系统短期负荷的预测中。通过分析和比较,验证了该方法的有效性。     

基于最小二乘算子的混合计算智能辨识算法

基于非线性最小二乘（ＮＬＬＳ）法和遗传算法（ＧＡ）思想，通过定义ＮＬＬＳ算子、适应度以及混合数据结构，得到非线性回归模型非线性参数的混合计算智能辨识算法，该算法结合ＧＡ和ＮＬＬＳ法两者长处，即有较快收敛性，又能以较大概率求得全局（一致收敛）估计。计算结果表明该方法显著优于ＧＡ和ＮＬＬＳ法。     

基于小波分析的股指期货高频预测研究

基于低频金融数据的预测,在时间上具有长期性,依赖于整体经济环境,不能形成短期内的准确预测.但是由于高频金融时间序列具有非线性、非平稳性以及其特有的日历效应等特性,传统的ARMA模型也无法得到满意的预测结果.本文提出基于小波多分辨率分析的预测方法,将收益率数据分为高频部分(周期性)与低频部分(趋势性),对拆分后的序列进行重构,并对重构后得到的数据分别建立ARMA模型.实证研究表明,小波多分辨率分析能很好地滤出日内效应,由于股指期货独特的市场特征,应将分解层数定为3,分解重构模型可以提高预测精度.     

估计GM(1,1)模型参数的一种新方法

考虑到最小二乘法则的不足及背景值参数和边值的影响,提出基于最小一乘准则估计GM(1,1)模型参数,得到新的预测公式,引入粒子群算法直接求解最小一乘问题即可得到模型参数,简化了以往改进模型的二次求解过程.数值计算结果表明,基于粒子群算法及最小一乘准则估计灰色模型参数,对于平稳或非平稳序列,都具有较高的拟合与预测精度.     

基于多频组合模型的中国区域碳市场价格预测

新兴的中国区域性碳排放市场受到交易制度,异质环境,政策等因素的影响,使碳价呈现出非线性,非平稳,多频率等特征,风险较为突出.研究碳价的预测方法,有利于碳市场风险管理.传统的单一模型不能全面刻画碳价波动特征,论文构建多频率组合预测模型.运用极点对称模态分解方法将碳价时间序列分解为互不耦合的模态分量;将这些分量分为高,中,低频部分,分别选择适合三种不同频率模态下的预测方法NAR(non-linear autoregressive),WNN(wavelet neural network),SVM(support vector machine)确定其输入输出结构以分类预测;利用PSO-SVM集成碳价分类预测结果,发现:与NAR,WNN,SVM,GARCH等单模型相比,论文的多频率组合预测模型精度更高,是一种更为有效的碳价预测方法.     

基于遗传算法的工具误差分离与弹道折合

制导工具误差分离与折合是导弹精度评定中的重要问题,针对传统主成分方法中主要成分选择上的困难,提出了利用遗传算法确定最佳主成分子集的方法,遗传算法适应度函数综合考虑了模型拟合与预测性能,能够有效避免过拟合问题,使得分离结果的预测能力显著增强。仿真计算表明,与最小二乘和主成分方法相比,遗传算法获得的误差系数估计与真值更加接近,折合得到的全程弹道遥外差更加准确。     

数据特征驱动的火电产能过剩分解集成预测模型

有机融合数据特征驱动与多模态信息集成建模思想,构建了中国火电行业产能过剩组合预测方法和模型.首先识别火电产能过剩规模时序数据的本质和模式特征,发现其不仅具有非平稳,非线性特征,还呈现高复杂性和突变性;其次采用与数据特征相配的变分模态分解方法将时序数据分解,得到多个分量;然后识别各分量的数据特征,据此选择三次指数平滑-最小二乘支持向量机模型进行预测;最后集成各分量预测结果,得到火电产能过剩规模的最终预测结果.实证检验表明,所构建模型的预测水平精度,方向精度和稳定性均优于目前广泛使用的单一模型和其他组合预测模型.预测结果显示,2020-2022年中国火电产能过剩规模仍处于较高水平,呈先降后升趋势,且体制扭曲仍将是火电产能过剩的决定性因素.     

Robust estimation of parameters in nonlinear ordinary differential equation models

Ordinary differential equation (ODE) models are widely used to model dynamic processes in many scientific fields. Parameter estimation is usually a challenging problem, especially in nonlinear ODE models. The most popular method, nonlinear least square estimation, is shown to be strongly sensitive to outliers. In this paper, robust estimation of parameters using M-estimators is proposed, and their asymptotic properties are obtained under some regular conditions. The authors also provide a method to adjust Huber parameter automatically according to the observations. Moreover, a method is presented to estimate the initial values of parameters and state variables. The efficiency and robustness are well balanced in Huber estimators, which is demonstrated via numerical simulations and chlorides data analysis.     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

A Novel Hybrid FA-Based LSSVR Learning Paradigm for Hydropower Consumption Forecasting

Due to the nonlinearity and nonstationary of hydropower market data, a novel hybrid learning paradigm is proposed to predict hydropower consumption, by incorporating firefly algorithm(FA) into least square support vector regression(LSSVR), i.e., FA-based LSSVR model. In the novel model, the powerful and effective artificial intelligence(AI) technique, i.e., LSSVR, is employed to forecast hydropower consumption. Furthermore, a promising AI optimization tool, i.e., FA, is especially introduced to address the crucial but difficult task of parameters determination in LSSVR(e.g.,hyper and kernel function parameters). With the Chinese hydropower consumption as sample data,the empirical study has statistically confirmed the superiority of the novel FA-based LSSVR model to other benchmark models(including existing popular traditional econometric models, AI models and similar hybrid LSSVRs with other popular parameter searching tools), in terms of level and directional accuracy. The empirical results also imply that the hybrid FA-based LSSVR learning paradigm with powerful forecasting tool and parameters optimization method can be employed as an effective forecasting tool for not only hydropower consumption but also other complex data.     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

基于动态组合残差修正的预测方法

本文建立了一种基于残差修正的组合预测方法,并基于该方法证明了针对多个单一的预测方法根据其在某个时间段的相对预测误差的大小选择组合选项可以进一步提高预测精度.提出了针对不同时间段可根据各种单项预测模型的相对预测误差的大小动态选取相对预测误差最小的两种模型构成组合残差来修正基本方法的预测误差,以提高预测精度.最后通过实际空调负荷预测对其进行了验证,结果表明这种动态组合残差修正的预测方法相对于基于多个固定单一预测方法的组合预测方法,可以进一步改善预测效果.     

Local prediction of the chaotic fh-code based on LS-SVM

Support vector machine （SVM） is powerful to solve some problems such as nonlinear classification, function estimation and density estimation. To consider the chaotic fh （frequency hopping）-code＇s characters in chaotic dynamic system, the forecasting model of the support vector machine in combination with Takens＇ delay coordinate phase reconstruction of chaotic times is established and the least squares model for large-scale problems is used in local training for this model. Finally, a fh-code series generated by Logistic-Kent mapping is applied to verify the local prediction model. Simulation results show that the high accuracy and fault tolerant SVM model has an excellent performance in predicting the fh code, with a very low mean square error and a high relative coefficient.