一种新的多项式拟合时间序列预测方法

对时间序列的多项式拟合的函数特征化,将时间序列的数据映射到多项式的系数特征空间,然后根据系数的特征空间采用类似欧氏距离的方法来比较时间序列的相似性,从而进行时间序列的预测.实例的结果验证了该方法比其他几种经典方法预测精度高,稳定性好,且对给定长度的变化敏感度低.     

基于预测状态空间实现的GPC自适应算法

依据文［１］中提出的ＣＡＲＩＭＡ模型预测状态空间实现，在线辨识被控系统的单位阶跃响应序列和特征多项式系数，直接用辨识出的序列和特征多项式系数构成广义预测控制律．该算法计算量小，鲁棒性好，模型中Ｂ多项式阶次及时延可以未知     

时间序列数据的相似模式抽取

提出一种基于多项式回归分析的相似性度量和时间序列相似模式抽取的系统化方法,其基本思路是用一个分段多项式回归模型近似一个时间序列,把原始序列映射到多项式系数张成的特征空间,并推导出此特征空间的欧几里德距离作为相似性度量,从而自然地把原始序列分为一个不重叠的有序子序列集合,然后对这个子序列集合进行聚类,得到一组不重叠的模式。所提方法还定义了不等长度时间序列相似的概念。说明了一些著名的分段直线表示（PLR）法是所提方法的特例,并给出了理论分析和实验结果。     

基于正交多项式的自适应提升格式

为确定提升格式的预测系数及更新系数,该文以小波分解的细节信号的平方和为目标函数,采用一组正交多项式确定预测系数,使预测系数能够反映分析数据的特征.根据分析数据的相关性来确定最优预测系数和更新系数,使小波能够较好地适应信号特征的变化.理论和仿真结果表明:正交多项式的自适应提升格式的滤波性能明显优于一般拟合方法的提升格式以及传统小波db5,尤其在低信噪比的情况更为明显.     

基于WAVELET-GARCH组合方法的中国保险深度分析

提出了非平稳时间序列的WAVELET-GARCH组合分析方法,应用于中国保险深度的研究.介绍小波以及GARCH方法的数学原理,阐述此组合方法的一般步骤,即利用小波函数分解原时间序列,成为趋势项和周期项;对趋势项进行平稳性检验;用GARCH模型拟合趋势项,并应用于预测.通过中国保险深度的变化情况研究,实证结果表明该方法比直接二次多项式拟合预测的平均相对误差小2.15％,反映WAVELET-GARCH组合方法的有效性.     

一种基于组合模型的时间序列数据挖掘系统

提出了一种新的时间序列数据挖掘方法———基于BP(Back Propagation)神经网络和回归分析的组合时间序列数据挖掘模型.重点讨论了神经网络———回归———线性神经网络组合模型的建立过程,强调了通用性,并应用于浙江省可持续发展预测,取得了满意的结果.该组合模型采用神经网络技术来确定权重系数,提高了对复杂非线性系统的拟合能力,为时间序列数据挖掘提供了一种新的实用方法.     

基于地质变量时间序列的时变Logistic映射模型

为研究沉积过程动力学演化规律,从而有效地进行沉积矿产预测,提出待定线性组合时变Logistic映射模型及其识别和提取方法,对8个实际地质变量时间序列进行识别和提取,并与一般的非时变Logistic映射模型比较,其拟合系数有较大幅度提高,对地质变量时间序列所含的Logistic映射模型的信号特征作了初步研究.     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

半参数方法对上证指数波动率的预测分析

根据金融时间序列一般都存在条件异方差性,本文研究了两种半参数时间序列模型的估计方法,通过实际算例对参数模型与半参数模型,以及不同的半参数模型在金融时间序列的拟合与波动率预测方面的表现作了比较。结果表明,半参数模型要优于参数模型,半参数可加模型要优于多项式样条估计模型。      

视频三维小波分解系数的统计分析

运动补偿的3D小波变换的模型已经成为视频处理系统的热点.视频序列经过时间分解和空间分解,生成不同的小波子带,小波子带分成时间和空间上相互不重叠的编码块独立编码.使用两种拟合优度方法.即KS和χ2,研究视频序列的亮度分量的编码块小波系数分布情况.实验结果表明,认为高通帧的编码块小波系数近似符合广义高斯分布是合理的.这样的...