基于混沌动力学的日径流时间序列预测

介绍了探求时间序列中的混沌特征数的常规方法,给出一种基于混沌理论的预测算法,并以葛洲坝隔河岩水库的入库日径流序列为例检验了这一方法,其预测效果令人满意。     

0-1混沌测试算法中振幅对混沌序列的影响

0-1混沌测试法是根据线性增长率K(c)值是否趋近于1或0来判断离散数据混沌性的新方法。选取Verhulst种群模型生成的3类时间序列(弱混沌、完全混沌、4-周期)为研究对象,验证了0-1测试法的有效性,对0-1测试算法中振幅α作了进一步探讨。结果表明:弱混沌序列K(c)值对振幅α最敏感,其次分别是强混沌序列和周期序列,K(c)值随振幅α变化的快慢可以反映序列的混沌程度。     

0-1测试方法在降水混沌识别和分区研究中的应用

0-1测试方法是一种新的可直接作用于时间序列的二元混沌识别方法,通过对Chebyshev映射进行混沌检验,验证了其有效性.运用该方法对东北地区106个气象站1958~2011年逐月降水序列进行混沌识别,结果表明,东北地区逐月降水序列均表现出混沌特性.同时,均方位移随时间的渐进增长率K的空间插值结果具有明显的分区特征,即东部为高值区,北部和西部为次高区,中南部为低值区,其中内蒙古东北部和黑龙江西北部存在局部的K低值区,混沌分区特征与东北地区降水地域分布特征和变化类型吻合较好.研究表明,0-1测试方法具有反映数据序列的混沌程度的特性.     

漳河观台站降雨径流时间序列的混沌特性分析

系统地讨论了径流系统混沌特性判别的原理与方法,提出了水文径流系统混沌特性判别的基本框架,即以功率谱分析对径流系统进行初步定性的混沌识别,以BDS检验对径流系统进行非线性检验,应用Cao方法印证混沌特性,通过重构相空间求算的吸引子Kolmogorov熵、Lyapunov指数和关联维数等特征值定量识别混沌特性,从定性与定量...     

基于混沌动力学的日径流时间序列预测

介绍了探求时间序列中的混沌特征数的常规方法,给出一种基于混沌理论的预测算法,并以葛洲坝、隔河岩水库的入库日径流序列为例检验了这一方法,其预测效果令人满意．     

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。     

金沙江流域月径流时间序列的混沌分析

在介绍重构相空间技术的主要定量指标(关联维数D2和柯尔莫奇诺夫熵)的基础上,以长江上游金沙江流域小黄瓜园站和蔡家村站的月径流时间序列为例详细说明了求取时间序列中的混沌特征数的方法;并且采用主分量分析(PCA分布)方法进一步验证了两个站的径流序列具有混沌特性.得到金沙江流域径流序列的预测年限不应超过7～9个月,为金沙江流域径流预测提供了科学的依据.     

0-1测试方法在吉林省降水混沌识别及分区中的应用

0-1混沌测试方法是一种可直接作用于时间序列的二元混沌识别方法,不需要相空间重构。首次将0-1测试方法引入到吉林省月降水序列混沌识别,对通过平稳性检验的29个气象站1958年-2011年月降水时间序列数据进行了混沌识别。结果表明各站月降水序列均表现出混沌特性,且渐近增长率K的空间插值结果具有明显的区间差异,全省可分为东部高值区、西部次高区、东南中值区和中部低值区。分区结果很好地反映了吉林省降水地域分布特征和变化类型,表明K值在一定程度上能够反映系统的混沌度,为降水系统的时空规律研究提供了新的途径和方法。     

混沌时间序列控制方法研究

分析了混沌控制的任务、目标和一般方法,认为混沌时间序列源于混沌系统,用系统的观点讨论了一种对混沌时间序列进行控制的最小参数扰动方法及其步骤。     

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。