基于EMD的AR建模

自回归(Autoregressive,AR)模型是常用的平稳序列的拟合模型之一.不同于传统趋势的曲线拟合方法,文章利用经验模态分解方法(Empirical Mode Decomposition,EMD)得出序列的趋势,然后再进行建模.通过运城市某年的每日最高气温的数据,建模结果表明:与传统的建模方法比较,基于EMD的AR模型在拟合效果和预测效果上要更好.     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

基于经验模式分解与LSTM神经网络的短期电价预测模型

在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解(EMD)与长短期记忆神经网络(LSTM)的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归(SVR)叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。     

基于ESMD-BP神经网络组合模型的中长期径流预报

径流预报的精度直接关系到流域水资源优化配置与综合利用的效益最大化.针对径流序列非线性、非平稳、直接预测精度低的特点,首次利用具有自适应性特点的极点对称模态分解(Extreme-point Symmetric Mode Decomposition,ESMD)方法对径流序列平稳化处理,结合可逼近任何非线性映射的误差反向传播网络(Back Propagation Neural Network,BP神经网络),建立ESMD-BP神经网络组合预报模型,并将其应用于黄河上游龙羊峡水库入库站唐乃亥站月径流和旬径流预报.首先,利用ESMD方法将径流序列中不同尺度的分量和趋势分量逐级提取出来,甄别了大尺度循环和非线性趋势;进而,分析径流周期和趋势变化规律;然后,利用BP神经网络将非平稳径流序列的直接预测转化为平稳的模态分量和趋势余项的预测,加和重构得到最终预测结果.并与单一BP神经网络、经验模态分解(Empirical Mode Decomposition,EMD)与BP神经网络组合模型作对比,结果表明:ESMD-BP神经网络组合模型的预报误差最小、预报精度最高.组合模型为"分解→预测→重构"模式,结合了EMD数据自适应分析和BP神经网络非线性映射的优点,提高了径流预报的准确率,为水文预报精度的提高开辟了新思路.     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于CEEMDAN-NAR-ARIMA组合模型的桥梁监测应变预测

提出了一种基于CEEMDAN-NAR-ARIMA的组合模型用以预测桥梁SHM监测应变数据。针对经典时间序列理论对模态混叠的数据无法有效预测的问题,采用了CEEMDAN方法对桥梁SHM应变监测数据进行了分解,并使用PE方法将分解得到的大量分量按照随机程度进行分类重组形成数个新数据序列,最后结合NAR动态神经网络和ARIMA模型分别对每个新数据序列进行预测并叠加得到了最终的预测值。将该方法用于上海市某座斜拉桥的SHM应变数据预测,结果表明,该方法相比于经典时间序列理论提高了预测的准确性,具有良好的工程应用价值。     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

基于分位数回归模型和经验模态分解的全球变暖问题研究

利用分位数回归模型和经验模态分解(empirical mode decomposition, EMD)方法对气候及其变化进行分析和预测.首先,采用全球热力图对气温数据进行描述统计,并采用经验模态分解方法降噪获取趋势项来引入全球气温周期概念,探究全球气候变暖趋势;然后,基于多元线性回归模型及分位数回归模型寻找全球气温的影响因素,并对气温进行建模及预测.研究结果可为全球气候分析提供统计学支撑.     

ARIMA模型在股价预测上的应用及其傅里叶修正

ARIMA模型静态预测精确度较高,但是只能预测下一期的值,动态预测可以预测多期的值,但是不能很好的给出股价走势.现以股票价格走势为例,首先利用ARIMA模型动态的预测序列未来多期的值,再结合傅里叶级数预测法建立修正的预测模型,以得到较为准确的股价走势.     

基于多元回归与技术分析的组合股票价格预测

在股票交易过程中,股票价格走势是很多中国股民关心的热点问题.选取股市中4个重要技术指标,相对强弱指标(RSI)、顺势指标(CCI)、移动平均线(MACD)和5日均线建立了非线性回归预测模型,对我国农业银行和滨江股份股票的价格走势进行了短线预测.结果表明,建立的回归模型可以预测某些股票短期价格趋势,具有一定理论和实际应用价值.     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

隧道围岩变形EMD灰色系统预测模型研究

基于经验模态分解降噪原理,建立了EMD灰色系统GM(1,1)预测模型, 使EMD方法与灰色系统GM(1,1)预测模型很好地相结合,有效地降低了原始监测数据内噪声干扰对预测结果的影响,并结合梅花山隧道工程实际,对EMD灰色系统GM(1,1)预测模型进行了检验。研究结果表明：EMD灰色系统GM(1,1)预测模型环境适应能力较强,预测结果与实际监控数据吻合程度较高,是隧道工程围岩变形动态预测较为有效方法,具有较好的工程实用价值。     

基于遗传神经网络的个股价格短期预测

针对个股价格的短期预测,提出了一种基于遗传神经网络算法的股票收盘价格分析和预测方法,在允许的相对误差下,所得到的模拟结果表明预测系统能够较好地预测股票价格的趋势.人工神经网络预测股票价格具有良好的应用前景,而遗传神经网络算法则可提高预测的速度和可靠性.     

股票价格的ARMA模型预报

用系统辨识的方法建立股票系统数学模型，把股票作为一个复杂而又受到各种因素干扰的随机系统，应用ＡＲＭＡ（ｎ，ｎ－１＿模型进行分析，找到系统内部之间，内部与某些外部因素之间比较精确的定量关系，以便进行有效的股票价格预报。     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

股票价格的马氏链预测法

马氏链预测法是通过对事物不同状态的初始概率及状态之间的转移概率的研究,预测事物的未来状态。本文建立了股票价格预测的马尔可夫链数学模型,并举例说明了该模型在股票交易市场预测中的应用。     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。