基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

经验模态分解和小波分解滤波特性的比较研究

 为了更好地了解小波分解(WD)和经验模态分解(EMD)2种方法对非平稳信号滤波特性的差异,以及2种方法的实际应用效果和各自的优缺点,提出了运用对高斯白噪声信号分解分量平均功率谱特性的分析来对比2种方法滤波特性差异的研究方法,并运用多项对比实验对所提研究方法的有效性进行验证.实验结果表明,所提研究方法能够有效地解释2种分解各自的滤波特性.对于EMD分解,各分量平均功率谱表现为带宽逐渐减小,中心频率逐渐降低的一组有序排列的带通滤波器.整个分解过程不需人为干预可自动完成,但存在边缘效应问题,如不加以处理可能会严重影响分解质量;对于小波分解,选择不同小波基,有的表现出与EMD分解类似的多尺度滤波特性,有的则不尽相同,甚至是完全不同.所以小波基的选择和分解层数的设置不同,可能会导致分解结果出现较大差异,因此存在对小波基优化选择问题.此外,小波分解过程速度较快,平均用时仅为EMD的1/25.     

基于极点对称模态分解-分散熵和改进乌鸦搜索算法-核极限学习机的短期负荷区间预测

针对确定性负荷点预测存在不同程度误差及难以反映电力需求不确定性的问题,提出一种基于极点对称模态分解(extreme-point symmetric mode decomposition, ESMD)-分散熵(dispersion entropy, DE)和改进乌鸦搜索算法(improved crow search algorithm, ICSA)优化核极限学习机的短期负荷区间预测模型。首先用ESMD将原始负荷时间序列分解为多个特征互异的子序列,降低了原始非平稳负荷序列对预测结果的影响,并计算各子序列的分散熵,将熵值相近的子序列重组为新序列以降低计算规模;其次,基于上下限估计法,利用ICSA算法对核极限学习机(kernel extreme learning machine, KELM)输出权值进行优化,得到最优预测区间上下限,并以此分别对各新序列进行区间预测;最后将预测结果叠加得到最终的预测区间。仿真结果表明,所提模型有效提高了负荷预测区间的质量,为电力系统决策工作提供有力支持。     

基于CE-EMD分解和BBO-ELM-BP模型的水文站蒸发量预测研究

为准确掌握大王庙水文站蒸发量数据的变化规律,以该站2009—2021年的蒸发量监测数据为基础,先利用互补式集合经验模态（CE-EMD）开展蒸发量数据的分解处理,将其分解为主趋势分量和周期分量,再通过BBOELM-BP模型实现蒸发量的组合预测,以掌握蒸发量的后期变化规律.分析结果表明：CE-EMD模型能有效实现蒸发量数据的分解处理,并与其他分解模型比较,该模型具有更为有效的分解结果;同时,组合预测结果的相对误差值多在2%～3%,具有较高的预测精度,能有效实现蒸发量的后期预测,并通过不同模型的对比研究,得出该组合预测模型对大样本、长周期的预测效果要优于对小样本、短周期的预测效果,且预测距离对预测结果具有较大影响,主要表现为短距离预测的可信度相对更高.通过本文研究,可有效分析地区的蒸发量变化特征,对掌握其水文规律具有重要意义.     

加权极限学习机的多变量时间序列预测方法

提出一种基于样本分布的极限学习机预测模型WELMSD.该模型先用kN近邻密度估计方法估计出样本的密度值,再用估计出的密度值给传统ELM的经验风险项加权,克服传统ELM在对时间序列进行预测时忽略样本分布的缺点.基于Rossler混沌时间序列和上证、深证股票数据的实验仿真结果证明了所提算法的有效性,且当近邻参数k_N取值较小时,所提模型对参数不敏感,是一种更优的多变量时间序列预测模型.     

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。     

一种经验模态分解与深度神经网络协作的短时电力负荷预测方法

为整体预测未来电力负荷变化趋势,提出一种基于经验模态分解和深度神经网络协作的短时电力负荷预测方法.首先为削弱原始负荷序列的非平稳特性,利用经验模态分解算法对原始负荷序列进行分解,得到各时序分量.在此基础上,构建各分量的深度神经网络预测模型,将分量的预测结果进行重构得到短时电力负荷预测曲线.利用某电厂短时负荷数据对模型的预测效果进行验证,得到其预测结果的平均绝对误差、均方根误差、平均绝对百分比误差分别为402.951 8、588.945 1、0.042 6.对比仿真进一步表明,同等条件下,基于经验模态分解和深度神经网络协作的短时电力负荷预测方法相较于单一的深度神经网络预测方法,在效果上精度更高,可用于对短时电力负荷的预测.     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构...     

基于非负矩阵分解和极限学习机分类的合成孔径雷达图像变化检测

两时相合成孔径雷达(synthetic aperture radar, SAR)图像变化检测中,差异图的噪声残留将会对变化检测的精度产生较大的影响,传统增量学习模式的检测方法直接对差异图像素样本进行聚类获得伪标签,但没有考虑差异图噪声残留的影响,故检测精度很难提升。考虑对差异图的邻域空间信息采用非负矩阵分解的方式进行特征降维提取,进而根据提取的特征进行聚类可获得高可靠的伪标签,然后基于这些样本伪标签和对应的两时相SAR图像邻域块特征向量构成样本集,利用极限学习机学习其非线性变化关系并最终完成分类,获得变化检测二值图。实验表明,该方法能有效地抑制差异图中的噪声残留影响,提升检测精度,对斑点噪声影响变化检测精度具有较高的鲁棒性。     

基于经验模态分解和多分支LSTM网络汇率预测

作为一种新型信号变换算法,经验模态分解(empirical mode decomposition,EMD)能够解决傅里叶变换等方法受限于特定基函数的缺陷.本文针对人工神经网络对高频金融时间序列预测准确率不足的问题,结合EMD和韦布尔分布对金融时间序列进行预处理,提出一种基于经验模态分解和多分支长短期记忆网络的分类预测模...     

基于经验模态分解的CEEMDAN-FE-LSTM传染病预测

针对现有的传染病预测模型未充分考虑到时间序列的复杂度,提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和模糊熵（FE）改进长短时记忆网络（LSTM）的传染病组合预测模型.首先,运用CEEMDAN算法将序列分解成若干个不同频率的模态分量与残差分量,以降低原始时间序列的复杂度;然后,运用FE算法计算各分量的时间复杂度,并将其重构为不同尺度的序列以提高运算效率;最后,建立LSTM模型对重构序列分别进行预测,得到最终预测结果.根据2010年1月至2021年12月肺结核、乙肝、布鲁氏菌病和艾滋病发病数据进行模型预测,并与SARIMA模型、CEEMDAN-FE-SARIMA模型和LSTM模型进行对比.结果表明,提出的模型较常规模型可以更好地把握传染病发病的变化规律,降低时间序列的复杂度,提高传染病预测精度.     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

关于经验模态分解与整体经验模态分解的分离效果差别的探讨

经验模态分解(Empirical Mode Decomposition ,简称EMD)是一种自适应信号分解方法,主要应用于非线性非平稳的信号。整体平均经验模态分解(Ensemble Empirical Mode Decomposition ,简称EEMD)解决了EMD中出现的模态混合问题。在此主要讨论EMD和EEMD处理含噪信号时的效果差异,就几种特殊的信号,对EMD和EEMD在实际应用中出现的问题进行探讨。     

基于经验模态分解的多模型融合售电量预测模型

售电量预测的精度是影响售电公司利润的一个重要因素.传统售电量预测方法难以解决售电量数据序列的趋势性、周期性与随机性等问题.为此,本文提出一种多模型融合的售电量预测方法.首先,采用基于经验模态分解方法将日和月度售电量分解为高、中、低频分量,构建三种独立的基模型,分别对不同频分量进行预测;然后,基于历史数据和同期的外部因素...     

经验模态分解和Kolmogorov测度的癫痫预测算法

针对头皮脑电信噪比低的缺点,提出了一种新的癫痫发作预测算法.首先对头皮脑电进行经验模态分解,去除伪差,保留包含主要癫痫预测信息的固有模态分量,然后用Kolmogorov测度来反映大脑的非线性动力学特征变化,并发现在癫痫发作之前,仅位于病灶区域附近导联的Kolmog-orov测度明显降低.通过对3例癫痫病人共5段长程头皮脑电信号的分析表明,这3例病人的平均发作预测时间为338 s,敏感性为66.7%,特异性为19.2%,因此该算法具有良好的临床应用前景.     

基于经验模态分解的煤矿设备温度预测

煤矿设备出现故障时,设备温度会迅速上升,表现出非线性和非平稳性的特点。为了较准确地预测温度异常,采用了基于经验模态分解（EMD）的神经网络方法对设备温度进行预测。该方法首先采用经验模态分解算法对设备温度时间序列进行分解,得到若干个平稳性较好的本征模态函数（IMF）分量和一个剩余量,然后分别对各分量及剩余量进行神经网络预测。仿真结果表明,基于EMD的神经网络预测方法比单一神经网络预测方法,预测精度更高,对于温度异常预测更有效。     

基于极限学习机的新型建筑材料力学性能预测方法

为减少新型建筑材料力学性能预测方法预测投入成本,提升预测效率,提出了基于极限学习机的新型建筑材料力学性能预测方法.提取新型建筑材料力学性能因子,不断加深对因子内部的了解,完善收集的数据信息,增强因子数据查找力度,进一步分析新型建筑材料力学性能因子的所处状态,按照内部分析准则转换因子存储方式,调节空间信息,利用获取的数据...     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI）,建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解,得到一组不同尺度的本征模态函数分量和残余分量;其次计算各分量SE值,根据各分量SE值将各分量重新组合成新的序列,并将新序列按其复杂程度经过GRU模型或ELM模型进行预测;最后将所有结果叠加得到AQI预测值。实验结果表明,与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比,基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小,预测精度最高。     

基于极限学习机的上证指数预测与分析

针对证券指数具有随机性、时变、波动性较大、非线性等特点,传统线性预测方法预测精度低等缺陷,提出了一种基于极限学习机的证券指数预测方法。极限学习机克服了BP神经网络的训练速度慢、过拟合、局部极值等缺陷,具有训练速度快、全局最优和泛化能力优异等优点。采用1991~2013年上证指数对算法性能进行训练,2014年数据做测试,对100个测试数据仿真结果表明,复相关系数高达0.9935,极限学习机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。     

基于混合阈值的清除重复间隔阈值经验模态分解去噪方法

经验模态分解(Empirical mode decomposition,EMD)被认为是一种有潜力的非线性非静态信号去噪方法。传统的经验模态分解阈值去噪在零点附近存在不连续性的缺点,Kopsinis提出了EMD-IIT和EMD-CIIT方法,但这两种方法对阈值过于敏感,即区间极值轻微的偏差就有可能导致去掉整个区间曲线,因此本文提出一种混合阈值算法,结合了EMD-DT和EMD-IT各自的优势。仿真结果表明此去噪算法具有较好的效果。