瓦斯浓度预测的混沌时序RBF神经网络模型

为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表明,相对误差为0~3%,均方差为0.005 6,预测效果良好。实例验证该预测模型切实可行。     

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.     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

基于混沌时间序列的水电机组状态短期预测

基于混沌时间序列短期可以预测的特点,构建水电机组状态短期预测。用采样周期确定相空间时延τ,G-P算法确定关联维数从而确定相空间的嵌入维数m,小数据量法证明水电机组振动状态的混沌特性。在重构相空间中,运用加权一阶局域法构建水电机组状态短期预测模型。结果表明:混沌特性指数λ=0.2605的水电机组振动状态具有混沌特性,可以在最佳嵌入维数m=4的情况下进行预测,实例结果表明采用混沌理论进行水电机组状态短期预测是可行的。     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络（ANN）建立非线性时间序列预测模型时，ANN输入数据延时间隔τ的选取是必须考虑的一个方面。目前关于延时间隔τ选取的流行做法是：将τ确定为相空间重构时的最佳延时τs，本文提出了与此不同的观点，即神经网络输入数据延时间隔τ的选取与τs无直接关系。综合考虑其他一些因素，认为ANN输入数据延时间隔τ取为1是最为合理的。给出了理论分析和实验验证。     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于改进典型相关分析的混沌时间序列预测

典型相关分析是目前常用的研究两个变量集间相关性的统计方法.针对线性典型相关分析法不能揭示变量间非线性关系,因而不适用于混沌系统等问题,将核典型相关分析与径向基函数神经网络相结合,提出了一种改进的核典型相关分析方法以解决映射空间样本未知及逆矩阵求解困难等问题.首先利用两个径向基函数神经网络,通过训练使两个网络输出之间的相关系数达到最大,可同时得到两组典型相关变量.然后建立预测模型,对Lorenz混沌方程及大连月气温与降雨二变量混沌时间序列进行仿真,并与传统的线性回归预测方法进行比较,多组仿真结果证明了所述方法的有效性.     

混沌时间序列预测及在股票市场中的应用

提出一种基于嵌入理论和确定集上的预测误差的混沌时间序列预测方法．该方法不仅克服了仅用延迟嵌入技术的弊端，而且也降低了直接使用预测误差决定模型状态向量的盲目性．实证分析结果表明该方法在实际预测中是有效的．     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

多变量时间序列复杂系统的相空间重构

根据单变量时间序列相空间重构思想 ,提出了多变量时间序列描述的复杂系统的相空间延迟重构方法 .对每一分量的时间序列 ,分别利用互信息最小法确定最佳延迟时间间隔 ,最小嵌入维数的选取方法是单变量时间序列情况下虚假邻点法的推广 .给出了q阶广义关联积分和q阶广义关联维数的计算公式 ,并证明了广义关联维数与所用范数无关 .计算了Lorenz系统按前 2个变量进行重构时的最佳延迟时间间隔和最小嵌入维数 .计算结果表明 ,用多变量时间序列重构比用单变量时间序列重构所需的数据长度要短得多且在方法上更有效     

多变量经济混沌时序的小波神经网络预测

提出了一种改进的小波神经网络,通过对C—D生产系统模型和财产管理模型中产生的经济增长混沌时序,进行多变量混沌时序的相空间重构,并采用改进的小波神经网络进行预测,证明其短期预测效果优于其他方法,说明该方法可以应用到经济增长混沌系统的预测中．     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.