小波在金融时序预测中的应用

利用小波函数的局部化性质,对非平稳时间序列股票开盘价数据进行分解,然后再进行M allat重构。这样就得到了原始数据的近似信号,再应用传统时间序列预测方法ARMA（p,q）模型对重构后的数据进行预测,将预测结果与实际值进行比较,可得小波分析方法预测效果比较理想。     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

一种基于混合模型WRC的流量预测方法

针对当前网络流量预测方法在刻画网络流量多重特性方面存在的准确性及噪声干扰的问题,提出了一种基于混合模型WRC的流量预测方法,该方法利用小波分解将网络流量混沌时间序列分解为流量特性不同的近似时间序列和细节时间序列,并利用RBF神经网络和混沌模型分别对这两种时间序列进行处理,得到预测时间序列后再进行小波重构,得到最终的预测值.仿真实验结果表明模型预测有效,且预测精度较高.     

基于冗余提升小波包及Volterra级数的机械故障预测方法

针对Volterra级数模型在染噪时间序列预测中精度较低,以及收敛速度慢的关键问题,提出了一种基于冗余提升小波包(Redundant Lifting Wavelet Packet,RLWP)及Volterra级数的机械故障预测方法。首先用冗余提升小波包对振动信号进行分解,对分解得到的末层所有频带信号用奇异值分解进行降噪。然后通过构造二阶Volterra级数预测模型对降噪后的各频带信号进行预测。最后用冗余提升小波包重构算法对各频带预测信号重构,获得预测信号。仿真结果表明:结合冗余提升小波包的多分辨率分析及奇异值降噪,能明显提高Volterra级数模型的预测精度及收敛速度。在工程应用中该方法准确预测出了某离心压缩机的不平衡故障。     

基于二层分解技术和改进神经网络的河流溶解氧预测研究

针对河流溶解氧质量浓度序列的非线性和不稳定性导致的预测精度低的问题,提出二层分解技术和改进神经网络相融合的预测模型.首先,引入自适应噪声的完整集成经验模态分解对溶解氧时序数据进行分解,通过计算分解后各本征模函数（Intrinsic Mode Functions,IMF）的排列熵值以量化序列的复杂性,用变分模态分解对熵值较高的IMF进行二次分解,进一步削弱序列的非线性和不稳定性从而保证预测精度;其次,使用麻雀搜索算法优化神经网络的权值和阈值并对各分量进行预测;最后,将各分量预测结果重构后得到最终预测结果.实验结果表明,所提预测模型平均绝对误差为0.091,均方根误差为0.14,平均绝对百分比误差为0.96%,决定系数为0.948,优于其它预测模型.     

基于小波神经网络的空气污染指数预报

针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的小波神经网络预报模型。利用小波对原始的空气污染指数序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,使用该模型对兰州地区的空气污染指数进行了预测。仿真结果表明,与传统的BP神经网络相比,该模型具有更高的预测精度、更快的收敛...     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

注意力机制下的EMD-GRU短期电力负荷预测

为进一步提高短期电力负荷预测精度,构建一种基于注意力机制的经验模态分解(EMD)和门控循环单元(GRU)混合模型,对时间序列的短期负荷进行预测.首先,对负荷序列进行EMD,将数据重构成多个分量;再通过GRU提取各分量中时序数据的潜藏特征;经注意力机制突出关键特征后,分别对各分量进行预测;最后,将各分量的预测结果叠加,得到最终预测值.仿真结果表明:相对于BP网络模型、支持向量机(SVR)模型、GRU网络模型和EMD-GRU模型,基于EMD-GRU-Attention的混合预测模型能取得更高的预测精度,有效地提高短期电力负荷预测精度.     

基于神经网络技术的股票频谱分析

根据艾略特波浪理论以及波浪理论中的各参数具有费波纳奇数列关系的特征,分析股票价格波形的特点;运用人工神经网络模型,提出基于波形分解与重构的神经网络预测方法,给出具体的实现过程.研究结果表明:通过波形分解与重构,把原始价格时间序列分解为规律相对简单、不同频率范围内的子波动序列来提高神经网络的预测精度,实现对特征不同的信号选取不同的参数模型进行预测;采用傅里叶反变换拟合出股价波动变化趋势的曲线,以达到预测股价波动变化周期的目的.     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法.通过小波多分辨分析把某些非平稳间序列分解若干层近似意义上的平稳时间序列,然后再用自回归模型对每层的单支重构信号进行预测,最后综合每层的预测值可得到原时间序列的预测值.仿真实验表明了该方法的优越性.     

基于小波与BP神经网络的太阳黑子时间序列分析预测

太阳黑子年平均数序列是典型的非线性、复杂时间序列.本文利用小波变换,将太阳黑子年平均数序列进行分解重构,对信号的周期特性进行分析,然后采用BP神经网络对重构信号进行预测,建立太阳黑子年平均数的预测序列.结果表明,该模型具有较高的预测精度.     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。     

小波-极限学习机在瓦斯涌出量时变序列预测中的应用

针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%～10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%～7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%～13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。     

小波分析及支持向量机应用于大气污染预测

针对大气污染物浓度时间序列有一定的年变化趋势,提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。应用小波分解和重构对大气污染物浓度进行年变化趋势分析,在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测,各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明,所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力,而且明显优于一般的支持向量机模型。     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.