基于我国股市混沌行为的预测分析

时间序列中的随机性蕴涵着非线性确定性系统混沌行为，混沌系统对初值的极端敏感性使之不可能对其进行长期预测，然而，在判定时间序列混沌行为的基础上运用局域法对我国股市进行了短期预测，并指出在计算关联维数时存在的问题，得到了较好的结果．     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

遗传算法在经济混沌组合预测中的应用

经济混沌是由确定性的经济系统产生具有随机性的动态行为。虽然经济系统产生的时间序列不具有长期预测性，但在短期内可有较为精确的预测，可以为其建立确定性的预测模型。为了探求经济时间序列中的混沌特性，文中在Wolf提出的相空间重构的基础上，提出了一种基于遗传算法的经济混沌组合预测方法，在该方法中采用自适应并行遗传算法确定组合模型中权系数，这样可以较好地解决传统经济混沌预测大多数都是使用单一模型以至影响了观测精度等问题，最后以实例检验了提出的算法。     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列,运用相空间重构理论,建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型,对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明,基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

混沌时间序列局域预测模型及其应用

为了确定滞时、嵌入维数和最邻近点数运3个混沌时间序列局域预测模型参数,首先利用关联积分法确定滞时和嵌入维数．重构混沌时间序列的相空间;而后在此基础上,提出一种新的预测模型——加权动态局域预测模型．该模型综合考虑了广义自由度和邻近点权重,给出了确定最优邻域的判定指标．实际水文系统的计算分析表明,加权动态局域预测模型具有较高的预测精度,是一种有效的用于混沌水文时间序列的预测模型．     

一种联合优化算法及其在混沌时间序列预测中的应用

为了提高混沌时间序列预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种基于遗传算法的混沌时间序列参数联合优化方法.该方法首先将相空间重构和预测模型参数作为遗传算法的个体,混沌时间序列预测精度作为适应度函数,通过选择、交叉和变异等遗传操作获得最优参数,最后利用混沌时间序列实例对联合优化方法进行验证性测试.实验结果表明:相对于传统参数优化方法,联合优化方法大幅度提高混沌时间序列的预测精度,为混沌时间序列预测提供一种新的思路.     

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.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

基于最速下降的混沌时间序列参数估计和滤波

提出了从被加性高斯白噪声污染的混沌时间序列中同时估计混沌系统参数和滤除序列噪声的新方法．并假定产生非线性时间序列的模型已知,但相应的参数未知．这种新方法把对混沌时间序列的参数估计和滤波看作是一种最小化过程,并利用了最速梯度下降方法解决．数值模拟实验表明,新方法要优于现有的方法,是估计混沌系统参数和滤波的一种有效方法．     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

低维混沌时序的预测方法及其应用研究

研究由低维非线性动力系统所产生的混沌时序的预测方法及其应用。通过改进的最小二乘方法来估计模型的参数，并在其相空间中对时序的未来值进行预测。给出了有代表性的实例对本文的模型和算法进行验证。结果发现选取最佳的模型阶数能增加预测的准确程度，且混沌时序不可能进行长期的预测。算例表明本文建议的方法是有效的。     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

自适应神经网络在短期负荷预测中的应用

采用基于混沌算法的自适应预测模型,应用于电力系统短期负荷预测.选取重构相空间中的饱和嵌入维数作为神经网络的输入节点数,适当选择非线性反馈项,能使网络的动力学在权空间具有混沌行为.通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,精度高.     

基于混沌算法神经网络的高校师资预测

本文提出一种基于混沌算法神经网络的师资预测模型,该算法通过在前馈式神经网络连接权空间学习算法的动力学方程中引进一非线性自反馈项,使得网络具有良好的函数近似能力,应用这种算法的神经网络对我国高等院校的师资需求进行预测,为我国有关高等院校的教育决策提供依据.     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。