基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

一种基于VMD-PSO-SVM的短期风电功率预测算法

基于风场数据,利用风电机组功率特性曲线,采用支持向量机（Support Vector Machine,SVM）非线性拟合方法,设计了一种基于变分模态分解（Variational Model Decomposition,VMD）的粒子群优化支持向量机短期功率预测算法.首先,通过VMD将原始风功率序列分解为多组平稳的固有模态函数和趋势项,对风电功率数据进行预处理;其次,利用粒子群算法优化（Particle Swurm Optimization,PSO）支持向量机参数,建立VMD-PSO-SVM组合预测算法模型,对每组固有模态函数和趋势项进行预测,得到多组预测结果,再将其重组,得到功率预测结果;最后,将预测结果与其他预测算法进行对比,结果表明预测精度更高.     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

改进的变分模态分解在锚杆和锚固质量检测中的应用

针对锚杆电磁超声信号夹杂的噪声极大地影响有用信息提取的问题,提出基于布谷鸟搜索算法的变分模态分解与独立分量分析相结合的降噪方法;该方法利用布谷鸟搜索算法优化变分模态分解的输入参数,实现信号的最优分解,利用变分模态分解将信号自适应分解为一些模态分量,依据排列熵值对分解的模态进行重构,利用快速独立分量分析算法对重构信号与原信号组成的2路通道进行解混,实现回波信号与噪声信号的分离,并对锚杆和锚固信号数据进行分析。结果表明,与常用的降噪方法相比,该方法有更好的抗噪性和降噪效果。     

基于VMD-CNN-LSTM模型的渭河流域月径流预测

为了提高月径流预测的精度,解决月径流的非线性和不稳定性对于预测结果的影响,提出了变分模态分解(VMD)、卷积-长短期记忆神经网络(CNN-LSTM)组合的VMD-CNN-LSTM模型.通过选取渭河流域张家山站和魏家堡站1960—2005年的实测月径流数据进行训练和测试,并与EMD-LSTM、EMD-CNN-LSTM、V...     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响,表现出强烈的非线性、非平稳性与随机性等特性,使得预测准确性受到极大考验.为提高风速预测准确性,创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先,利用变分模态分解将风速序列分解为一系列调幅调频信号,以降低数据复杂度,有效提取特征并提高噪声鲁棒性,减少风速自身对预测准确性的影响.其次,对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后,用实测数据验证所提方法的有效性.与其他典型风速预测模型相比,所提方法可有效提高风速预测准确性.     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

结合时间序列分解和神经网络的河流溶解氧预测

为克服小流域数据资料少,河流溶解氧的非平稳特性及动态变化造成的预测困难,提出结合具有自适应噪声的完整集成经验模态分解(CEEMDAN)和Elman动态神经网络的预测方法.使用CEEMDAN方法对原始溶解氧时序数据进行平稳化处理及降噪,提取溶解氧随时间变化的波动特征、周期特征,以及长期趋势,通过计算样本熵(SE)值,将相似的特征序列合并,以减小误差累积,对合并后的新序列分别采用布谷鸟搜索(CS)算法优化的Elman模型进行预测,将各预测值叠加,得到最终预测结果.实验结果表明:CEEMDAN-SE-CS-Elman方法平均绝对误差(E_MA)为0.14;平均绝对百分误差(E_MPA)为2.07%;均方根误差(E_RMS)为0.24;可决系数(R²)达到0.951 6,精度较其他时间序列预测模型有所提高.     

混沌时间序列的局域线性回归预测方法

混沌时间序列预测是８０年代末发展起来的一种非线性预测新方法．它已在天气预报、经济预测、电力负荷预测、股市预测等方面得到成功应用．混沌运动是确定系统具有内在随机性的一种运动,它的行为极其敏感地依赖于初始条件．混沌系统从两个极其邻近的初始点出发的两条轨道...     

基于支持向量机的股市时间序列预测算法

针对股市时间序列预测的特点,提出了基于SVM的股市时间序列预测算法.设计了SVM的在线训练算法,并设计了遗传算法自动调整sVM的核参数,实现了基于sVM的股市时间序列预测算法在线调整的完全智能化.通过实证分析,以及同BP神经网络方法的比较,结果证明该算法具有预测精度高、参数调整智能化等优点.     

基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测

为进一步提高风电功率预测精度,提出一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先,使用麻雀搜索算法对VMD参数进行优化,并利用优化后的VMD对数据进行分解;其次,结合灰色关联分析法和熵权法对环境变量进行相关性分析,选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入,获得更为精确的预测结果;最后,建立基于非参数核密度估计(NKDE)的风电功率概率预测模型,实现对风电功率预测结果不确定性的有效量化。结果表明,所提组合模型的MAE,RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%,33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度,而且还能够实现对风电功率预测结果不确定性的有效量化,为风电功率预测提供了科学决策依据。     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包...     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

改进的CS-GRNN模型在城市需水量预测中的应用

为了更加准确地预测城市需水量,提出一种基于改进布谷鸟算法优化广义回归神经网络模型的城市需水量预测方法.该方法采用改进的布谷鸟算法对广义回归神经网络的平滑因子进行优化,建立改进布谷鸟算法优化的广义回归神经网络模型(ICS-GRNN),并应用于南宁市城市需水量预测中.通过使用南宁市2001—2012年城市需水量测试数据分别对传统GRNN法和ICS-GRNN法的预测结果进行比较,结果表明,该方法具有更高的预测精度和数据拟合能力.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.