基于奇异谱分析的上证指数预测模型

该文应用奇异谱分析(SSA)的方法,对一维时间序列--证券指数,构造延迟矩阵,运用时间经验正交函数(EOF),对原序列进行重构,有效地提取序列中隐含的波形信号;利用自回归移动平均模型(ARMA模型)对原序列和重构结果分别进行预测,并进行比较.     

“融资铜”模式剖析与国际铜价走势研究

通过奇异谱分析(SSA)技术,非平稳铜价序列被分解重构为主要信号和噪声信号。主要信号被用于支持向量机(SVM)建模对铜价进行了短期预测。研究发现:未来半年内国际铜价将呈现整体上涨趋势。认为,准确预测国际铜价既有利于择机进口铜,也有助于防范"融资铜"的金融风险。     

基于噪声处理的网络搜索和QCR-HHT模型的九寨沟客流量预测

客流量预测可以弥补强周期性和波动性客流冲击给景区和游客造成的影响,使有限的旅游资源提前得到合理调度和配置.在考虑网络搜索噪声的基础上,建立QCR(Query Chain Retrieve)搜索词链和HHT的网络搜索数据预测模型,对九寨沟旅游日客流量进行预测.通过对比时间序列模型、未经噪声处理的网络搜索预测模型和BP神经...     

基于多目标优化集成学习的短期太阳辐射预测

准确预测太阳辐射对于高效利用光伏能源具有重要意义,为提高太阳辐射预测精度,提出一种新的基于水平精度和方向精度的多目标优化集成学习框架.首先,利用奇异谱分析(Singular Spectrum Analysis,SSA)方法将太阳辐射数据分解成一系列信号组;然后,运用带精英策略的非支配排序遗传算法(NondominatedSortingGeneticAlgorithm,NSGAII)优化的最小二乘支持向量机(LeastSquaresSupportVector Machine, LSSVM)对每个分量信号进行预测;接着,用聚类方法将各分量信号进行样本聚类;最后,运用NSGAII-LSSVM方法分别对样本结果进行集成得到预测结果.以意大利2017年太阳辐射数据作为仿真数据,将该模型与LSSVM、单目标优化的集成学习模型等8个基准模型进行对比.研究结果表明,所提出的多目标优化集成学习框架具有更好的优越性,在方向精度、水平精度和稳健性上均具有很好的效果.     

引入SSA的ARIMA-HPSO-Elman组合模型的汇率预测方法——基于人民币对美元汇率中间价数据

汇率兼有线性和非线性的双重混合行为特征,因此单一的线性模型或非线性模型均无法完美地胜任汇率的预测工作.对人民币对美元汇率中间价序列进行研究,首先通过奇异谱分析SSA方法对汇率序列去噪,并对重构后的汇率序列建立ARIMA模型进行拟合预测以提取出原汇率序列的线性成分,其次对残差部分通过基于杂交变异的混合粒子群优化算法优化的Elman神经网络进行建模并预测,两部分结果相加即为原汇率序列的预测值.实证结果表明,人民币汇率波动存在着周期振荡的特征,在汇率序列的样本外30日预测上,基于SSA方法的组合模型预测性能相对单一模型以及未采取SSA方法的组合模型而言,短期的表现均较优.     

改进的LS-SYM算法在入境旅游客流量预测上的应用

近年来,各地入境游客流量的迅速发展引起了各级政府和旅游事业的极大重视.而对未来旅游客流量及时准确的预测成为规划旅游政策的重要依据.针对游客流量的特点,提出了采用改进的最小二乘支持向量机方法来建立旅游客流量的时间序列预测模型.实验预测结果表明该模型具有较高的预测精度,可以为各地旅游客流量预测提供了一条新的途径.     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

集成奇异谱分析和长短期记忆网络的区域海平面变化预测

基于我国首套高精度全球海洋气候数据集（CDRs）,选取季节变化较为明显的黄海作为研究区域,利用奇异谱分析（SSA）对黄海海域海平面异常（SLAs）数据进行了时间序列与时空序列的分解去噪,并结合长短期记忆（LSTM）网络构建了SSA-LSTM组合模型,对黄海海域海平面变化趋势进行预测。结果表明：SSA-LSTM组合模型对时间序列的预测精度显著提高,预测长度5年的均方根误差最小为35.04 mm;在对时空序列的预测中,预测第1年的均方根误差最小为19.68 mm。同时,利用空间模态进行了海平面变化时空分异规律研究,发现黄海海域海平面变化趋势具有高度一致性,并且与季节、纬度显著相关。预计2016年―2025年黄海海域海平面将以每年3.65±0.79 mm的速率持续上升。     

奇异谱分析在GPS站坐标监测序列分析中的应用

利用SSA(奇异谱分析)对测站坐标时间序列进行数据处理,包括数据补缺、趋势项和周期项的识别和提取.奇异谱分析是一种从时间序列的动力重构出发并与经验正交函数相联系的统计技术,可以较好地从含噪声的有限尺度时间序列中提取趋势和周期等信息,目前已应用于多种时间序列的分析中.将奇异谱分析的优点应用到GPS时间序列分析中:利用奇异谱分析对中国地壳运动观测网络GPS数据服务提供的测站坐标(NEU)时间序列(以BJFS(北京房山)站为例)进行补缺,各向插补的均方误差均为mm级;根据降噪重构序列提取坐标时间序列中的趋势成分(N方向-11.688 mm·年-1,E方向29.585 mm·年-1,U方向2.557 mm·年-1)和周期成分(N,U方向上存在年周期和半年周期,U方向上还存在着1.5年和0.25年左右的周期,E方向上只存在年周期);对完整序列进行重构降噪,即从原始序列中提取有用信息而丢弃一些干扰信息,起着平滑作用.试验结果表明,BJFS站的各方向上均存在显著的变动周期和明显的趋势,也有较多的噪声信息.     

基于时间序列分解的海面变化预测

对吴淞站1955～2001年月平均潮位序列采用时间序列分解方法进行分析,采用奇异谱分析方法提取长期趋势,采用比率平均法和剩余法分别提取季节因素和循环变化,应用乘法模型拟合试验的效果良好.以1955～1996年数据为基础,建立长期趋势的自回归(AR)模型,对1997～2001年间进行了预测试验,并以该时段实测数据作为验证.试验结果表明月均序列预测值的最大相对误差不超过±10%,年均序列预测值的相对误差最大不超过±4%.这一系列方法的综合运用可适用于较长期的海面变化预测.     

基于CEEMD-SSA-ELM的短期电价集成预测模型

准确预测电价有助于电力市场参与者进行风险规避并达到经济收益最大化。针对短期电价序列具有非平稳性与非线性的特点,提出了一种新型混合预测模型CEEMD-SSA-ELM。采用互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对电价序列进行有效分解;针对分解后的最高频分量具有较大随机性的特征,采用奇异谱分析(singular spectrum analysis,SSA)对其进行降噪并提取趋势项;最后,对最高频分量的趋势项及其余分量分别使用极限学习机(extreme learning machine,ELM)模型进行独立预测,并将其预测结果进行重构集成以得到最终预测结果。对2种实际电价数据的预测分析结果表明:CEEMD-SSA-ELM模型和CEEMD-ELM、ELM模型相比,具有更高的预测精度。     

基于SSA的弹头激波信号处理方法研究

针对弹头激波信号混杂其他噪声干扰无法分离时延特征参数问题,利用奇异谱分析(SSA)的自适应滤波特性进行处理,并对嵌入维数和重构主分量数目对分离效果的影响进行了讨论,建立性能评价函数和选择准则来进行优化。仿真结果表明,采用最优参数时SSA能有效提取出噪声条件下激波信号特征。     

基于奇异谱分析(SSA)的弹头激波信号处理方法研究

针对弹头激波信号混杂其他噪声干扰无法分离时延特征参数问题,利用奇异谱分析(SSA)的自适应滤波特性进行处理,并对嵌入维数和重构主分量数目对分离效果的影响进行了讨论,建立性能评价函数和选择准则来进行优化。仿真结果表明,采用最优参数时SSA能有效提取出噪声条件下激波信号特征。     

基于相空间重构和非参数神经网络集成股市预测研究

利用奇异谱分析方法对股市时间序列重构，降低噪声并提取趋势序列，并利用C-C算法确定嵌入为维数和延迟阶数进行相空间重构，生成神经网络的学习矩阵，进一步利用Boosting技术和不同的神经网络模型，生成神经网络集成个体，最后采用非参数回归模型进行集成，建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型，以此建立股市预测...     

润滑油磨粒超声回波信号的双树复小波自适应降噪

针对润滑油磨粒含有强噪声的回波信号的问题,采用基于双树复小波变换(DT-CWT)的自适应降噪方法,从而提取清晰的磨粒回波信号. 该方法结合奇异谱分析(SSA)和小波熵理论,分别对双树复小波变换后的近似部分和细节部分进行分析. 奇异谱分析去除了近似部分包含的噪声,同时,小波熵理论能够自适应选取不同分解层上的阈值,实现了细节部分系数的自适应选择. 仿真表明,对于润滑油磨粒超声回波信号的双树复小波自适应降噪,输出信号信噪比(SNR)高、均方根误差(RMSE)小、相似系数(NCC)大,算法运算时间能够满足在线检测要求. 实验分析表明,该方法降低了信号中的噪声,还原了准确的波形特征.      

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于EEMD-HT与LSSVM的柴油机辐射噪声品质预测技术

为了预测柴油机辐射噪声品质,采用基于集总经验模态分解(EEMD)、希尔伯特变换(HT)与最小二乘支持向量机(LSSVM)相结合的柴油机辐射噪声品质预测方法.该方法先采集柴油机辐射噪声信号,进行滤波和EEMD,再用HT得到相应的特征模态函数(IMF)分量的瞬时频率并对其进行临界频率带计权,最后计算其能量得到声音信号特征作为输入;用等级评分法对柴油机辐射噪声进行主观评价试验,把主观评价值作为输出;利用LSSVM训练得到预测模型.同时,以心理声学客观参数作为LSSVM的输入,建立另一个预测模型.分别用两个预测模型进行预测,结果表明基于EEMD-HT与LSSVM的柴油机辐射噪声品质预测模型具有更高的声品质预测精度,即更加接近人的主观感受.     

基于PCA PSO LSSVM的综合管廊投资 估算方法

为有效地解决现有综合管廊投资估算方法的预测精度不高,且预测精度易受样本量大小、特征参数冗余或贫缺等问题,构建一种将主成分分析法（PCA）与粒子群算法（PSO）优化最小二乘支持向量机（LSSVM）结合的综合管廊投资估算预测模型.采用PCA对影响综合管廊投资估算的特征参数进行降维,剔除噪声或冗余数据,以贡献率较大的主成分作为LSSVM的输入向量,综合管廊单公里造价作为LSSVM的输出向量;利用PSO对LSSVM的核函数参数σ与惩罚因子参数C进行寻优,建立基于PCA PSO LSSVM的综合管廊投资估算预测模型,并对测试集样本进行预测.预测结果显示:PCA PSO LSSVM模型平均相对误差为3.28%,满足投资决策阶段对投资估算预测误差的要求（±10%）,且与PCA LSSVM模型、PSO LSSVM模型、GA BP模型和GA SVM模型相比,预测精度分别提高了67.29%,70.52%,48.13%和38.60%.PCA PSO LSSVM模型预测精度高,泛化性能优,可作为综合管廊投资估算的有效预测方法.     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。     

基于岭回归法的工业产品成本预测模型

为了提高工业产品成本预测模型的精确度,必须对原始数据进行预处理和诊断.通过对成本原始数据进行时间价值和学习曲线效应的修正,并采用矩阵的奇异值分解和方差分解比诊断法进行数据的多重共线性诊断,分别采用帽子矩阵法和剔除后的t化残差进行自变量、因变量异常值诊断,用库克距离进行强影响值的诊断.保证了模型所用数据满足要求,提高模型的精度.采用岭回归法建立了复杂产品的成本预测模型,有效估算了待估的产品成本;统计检验和误差分析证明了这一方法的可用性和准确性.这种筛选分析数据、建立估算模型的方法可用于复杂产品设计的方案阶段,以提供较准确的成本预测.