WFAR模型在时间序列预测中的应用

随着模糊集合理论应用的不断广泛深入,为深刻研究时间序列数据状态波动的依赖关系,提出了模糊自回归时间序列预测模型,更适合解决复杂依赖关系且带有缺失、含糊、不准确等现象的时间序列预测问题。模型采用模糊聚类的方法对论域进行划分建立模糊集,并根据历史数据抽取模糊规则。利用自相关性确定数据状态间的依赖关系,通过马尔科夫转移概率抽取状态转移信息。模型既考虑了数据状态间的相互作用关系,又兼顾了状态转移频率的影响,进而达到提高预测质量的目的。实验部分将Alabama大学入学人数作为实验数据,以均方误差作为衡量标准,经过比较提出模型的预测质量明显优于传统模糊时间序列预测模型,说明了模型的可行性和有效性。     

基于自适应模糊时间序列法的光伏发电短期功率预测

针对并网光伏发电系统功率预测问题,提出一种基于自适应模糊时间序列法的并网光伏发电短期功率预测模型.根据光伏发电系统的历史发电数据,进行自适应算法处理,使数据结构与预测模型相适应,确定聚类数目、划分论域并定义论域区间.通过对历史数据进行模糊化处理,确定各模糊关系组,再计算各类模糊关系组的权重向量.按照模糊时间序列的方法进行光伏发电功率预测,并去模糊化得到实际预测结果.结果表明,对比时间序列预测法ARIMA模型,本文预测模型结果误差由13.66%减小到11.34%,并且在处理突变数据上有较大改进.     

旅游客流量预测的模糊时间序列模型--以黄山风景区为例

以黄山风景区1979－2004年的年度旅游人数数据为训练集,运用模糊聚类算法客观地分割论域,然后建立了一种模糊时间序列的加权模型以充分利用观测样本的初始信息。通过对传统的模糊时间序列模型与基于模糊聚类算法的加权模糊时间序列模型两种预测结果均方误差的比较,可见基于模糊聚类算法的加权模糊时间序列模型不但具有更高的预测精度而且也具有更好的稳定性。     

高阶多元直觉模糊时间序列预测模型

为了突破模糊集理论的限制,更客观地描述不确定性数据,提出一种高阶多元直觉模糊时间序列预测模型.采用模糊聚类算法划分论域,并采用更具客观性的方法建立直觉模糊集的隶属度和非隶属度函数.依据直觉模糊多维取式推理的原理建立基于相似度量的启发式推理规则,作为高阶多元模型的预测规则,并且建立相应的解模糊方法.利用北京市日均气温数据集进行对比实验,结果表明,该模型的预测均方误差(0.86)和平均预测误差(2.57%)较现有方法均明显降低,预测结果优于模糊时间序列预测模型和普通直觉模糊时间序列预测模型.     

Fuzzy association rules mining from time series based on FCM clustering

针对复杂系统产生的时间序列,研究其局部关联特征比研究系统全局特征模型具有明显的优势.为研究时间序列内部或局部形态的关联特征,首先借助FCM来软化时间序列属性论域的划分边界,然后,采用改进的布尔型属性关联规则并行挖掘算法来发现频繁模糊属性集,最后由多个处理器并行地产生满足最小模糊信任度的模糊关联规则.提出了基于FCM聚类的时间序列模糊关联规则的并行挖掘算法,并通过实验验证了算法的有效性.     

犯罪时间序列预测分析方法研究——以CrimeStat软件为例

作为一种基础且应用广泛的统计方法,时间序列分析方法在各个领域都有所应用,时间序列分析方法对分析犯罪行为有一定的帮助。Crime Stat软件是一个专门处理犯罪数据的统计分析软件,其中的时间序列模块可以对犯罪数据进行一定程度的时空预测。研究发现,在指定辖区内过去几年内的犯罪时间历史数据可以通过CrimeStat的时间序列模块得出预测结果。科学判断各辖区可能会出现的犯罪异常能够对警方的决策作出指导性建议,提高工作效率,并有助于公共安全的维护。     

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归...     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

ARIMA模型在房屋售价中的预测

时间序列分析方法是经济金融领域中的主要工具之一,通过描述历史数据对新值进行预测.文章运用ARIMA模型来实现对房屋平均售价的短期预测.对原始数据进行差分和季节差分,运用Eviews软件进行分析计算.结果显示预测值和真实值接近,在实际生活中提供可靠依据.     

时间序列模糊滑动预测

在时间序列经典滑动预测基础上,给出了模糊滑动预测方法,并举例说明了它比传统的滑动预测有更强的修匀能力。     

基于Elman型回归神经网络的公交客流预测

文章将动态回归神经网络(Elman)预测方法应用于城市公交客流量的预测, 通过对合肥市公交量的历史数据分析得到公交客流量的时间序列,将时间序列视为一个从输入到输出的非线性映射,对网络进行学习与训练仿真实验,并与BP神经网络输出结果进行了比较,并对网络模拟结果和历史数据进行了线性回归分析,求得一定的相关系数.结果表明,应用Elman神经网络方法比BP神经网络对公交客流量进行短期预测,预测精度高及效果好.     

采空区遗煤自然发火预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来,并运用于采空区遗煤自然发火的预测中.通过对采空区发火次数的时间序列的模糊分形处理,用BP神经网络对影响因素间的非线性关系进行拟合.检验结果表明,模型可靠,预测精度高,为预测采空区遣煤发火提供了一种新的方法.图3,表1,参10.     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

基于时间序列分析的负荷预测方法的比较研究

电力系统负荷预测是电力系统规划和经济运行的基础.趋势移动平均方法和指数平滑方法可以对区域内不同种类负荷时间序列建模,趋势移动平均方法是对负荷时间序列历史数据进行处理,建立趋势分量以及季节分量模型,对残差进行平稳性检验后建立ARMA模型;指数平滑方法是建立Holt-Winter季节乘法模型.Eviews、Excel等软件可获得负荷未来值,并对模型预测功能进行评价,分析两种时间序列方法的差异性,结果表明采用时间序列分析的方法可以取得较好的预测效果.     

二阶对角递归神经网络船舶横摇运动预测

提出一种船舶横摇时间序列预测方法.该方法使用在隐层具有2个反馈权值的对角递归神经网络进行预测,给出了此网络易于实现的动量梯度学习算法(DBP),并对其收敛性进行了验证.运用该模型对我国某型船舶在横浪中航行情况进行预测,结果表明:本网络可以储存更多的历史数据,有更好的记忆性能,所使用的模型比DRNN模型及前向网络BP模型能快速、准确地预测船舶横摇运动时间序列,仿真实验验证了该方法的可行性与有效性.     

基于变论域模糊控制的风机叶片颤振抑制

针对时变、滞后、非线性的风力机叶片系统,基于变论域思想,设计出一种变论域最优模糊比例积分微分(proportion intergration differentiation, PID)控制器,解决叶片经典颤振断裂失效问题。叶片结构模型采用基于弹簧-质量-阻尼器的典型截面模型,结合经典颤振稳态气动力模型,得到叶片气动弹性方程。通过变论域最优模糊PID控制器给出变桨信号,同时二阶变桨激励器执行变桨动作,进行颤振抑制。根据时间乘绝对误差积分准则(ITAE)准则,通过寻优得到PID最优初始值。仿真结果表示,与增量式模糊PID相比,变论域最优模糊PID控制器可动态调整论域范围,收敛时间快、幅值更低且具有良好的通用性。     

基于小波分析和模糊神经网络的水文预测

提出一种基于小波—模糊神经网络的水文时间序列预测方法．利用小波分析具有“数学显微镜”的特点，分析水文时间序列的频率构成；通过模糊逻辑和神经网络两种理论的融合，对各频率分量进行预测，最后合成预测结果．对浙江源口水库10年间入库水量时间序列的预测实践，验证了方法的有效性。     

ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较

边坡土体深层水平位移预测是边坡变形监测的重要内容,对预防边坡安全事故有重要指导意义。典型的两种时间序列预测方法:ARIMA和Holt-Winters,适合预测边坡土体深层水平位移这类是既有随机性增长(或降低)又有时变性波动的非平稳时间序列。选取了648个土体深层水平位移历史数据作为实证分析的原序列,使用ARIMA模型和Holt-Winters方法对其作出了预测,并比较分析预测结果。结果表明:两种方法的短期预测效果都很好,各具特点。     

基于Python的瓦斯浓度ARIMA预测模型构建及其应用

针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。     

基于主成分分析的多维时间序列预测

本文研究了我国分行业国内生产总值的预测问题,对于这类多维时间序列预测问题,首先采用主成分分析方法生成新的时间序列,其次对这些序列进行预测,然后得到原始序列的预测值,并将预测结果与传统单一预测方法所得结果做了对比,揭示了所用方法的有效性.