电力负荷时间序列预测的应用与研究

时间序列预测是电力负荷预测的重要方法。但是它对天气、节日等影响电力负荷变化的因素不敏感,对非平稳序列的处理需要多次差分运算达到基本平稳后才能进一步建立预测模型。因此,提出基于属性分类的时间序列预测方案。该方案把电力负荷按影响因素进行分类,预测时按预测对象的属性来选取预测样本。基于属性分类的电力负荷时序预测方案把时刻、天气、节日等因素考虑到了预测过程中,弥补了电力负荷时序预测的缺陷。实验证明该方法提高了电力负荷时序预测的速度和准确度。     

基于时序的不同事物同属性的关联规则挖掘

基于时序的关联规则挖掘算法的研究一直都是人们关注的课题,提出了一种基于时序逻辑的不同事物同属性的关联规则挖掘。传统的关联规则主要是揭示了多个事物的同一属性在相同的时间点上的相互关联性,这样的关联规则的项与项之间没有体现时间上的差别,也就无法对时间序列的发展趋势进行预测。实验表明这种方法对于不同事物同属性预测具有现实意义。     

一种基于在线修正时间序列预测方法的UCAV粗决策模型

针对机载传感器不能在作战时限内获取目标参数从而造成属性匹配过程失败的情况,提出了一种基于在线修正时间序列预测方法的UCAV粗决策模型.通过对以往时刻传感器数据的时间序列分析,建立最优自回归移动平均模型,根据延迟获取的数据,运用在线修正预测方法,完成对未来时刻传感器数据的预测及预测值的修正,作为粗糙集决策属性匹配的输入完成决策过程.通过对UCAV目标威胁估计实例的分析可知,该模型能在决策数据的基础上,根据时间序列预测值,提取出所有条件下的决策规则,给出有效决策建议.     

基于粒计算的不确定性时间序列建模及其聚类

在多粒度时间序列研究中不确定性问题是时间序列数据挖掘研究中的重要课题.时间序列时序粒度本身的不稳定是一种广泛存在现象,也是时间序列数据挖掘困难的一个重要原因,然而这种情况却较少文献进行过讨论.对于这个问题首先建立了多粒度时间序列的基础数据模型及相关时序粒度的定义.其次对时间粒度不确定性现象的不同成因进行了讨论,并建立相应的不确定性时间序列数据模型.最后基于上述理论和粒计算的思想,多粒度时间序列的最优粒度获取和不确定性粒度时序粒度的基本稳定策略分别进行了研究和讨论.由于聚类分析是时间序列数据挖掘中的最重要的理论研究和应用基础之一,不确定性多粒度时间序列数据的聚类成为一个典型的时间序列数据挖掘难题.一个引入稳定粒度策略的聚类算法框架被提出来解决这类不确定性时间序列数据的聚类问题.最后一个典型的具有不稳定粒度时间序列特点的重症监护病房生理指标数据集和病人存活率预测实验被应用于验证上述理论.实验结果表明在时间序列数据挖掘中选择不同的时间属性粒度对于数据挖掘的效果符合粒计算的计算规律,同时选择了粒度稳定性处理策略聚类算法的实验能够获得更好的预测效果.     

决策演化集的伯努利移位

决策演化集是一种新的用来解决决策规则在时间序列上变化问题的方法。决策演化矩阵是其中一个重要概念。通过决策演化矩阵可以直观了解到各个条件属性在单个时间点以及连续时间序列上的表现。但目前的体系中虽然对决策演化矩阵进行了定义,但还缺乏数值量化,文章引入伯努利移位来对决策演化矩阵进行数值量化,并通过实例演示这些量化后的数值在预测中所起的作用。     

属性约简在空间电力负荷预测中的应用

空间电力负荷预测是一个将总量负荷预测分配到供电小区的过程,涉及空间信息量多,影响其未来小区使用的因素也多,这就需要大量的存储空间和较长的运算时间.粗糙集是一种新型的数据分析方法,属性约简是其主要算法,它不需提供问题所需处理的数据集合之外的任何辅助信息.因此采用粗糙集(Rough Set)区分矩阵法对空间电力负荷预测中可能影响小区用地决策的相关属性进行约简,去除冗余属性,得出决定小区用地类型的决策规则,取得了较好的效果,提高了整个负荷预测效率.     

混沌时间序列的优化预测模型及算法研究

针对混沌时间序列难以预测和控制问题,提出了基于趋势的混沌预测模型,利用混沌系统的初值、参数敏感性来微调和控制系统扰动,并用改进的最优化方法估计模型的参数,在其相空间中对时序未来值进行预测.算例表明,选取最佳的模型阶数能增加预测的准确程度,它不仅克服了仅用延迟嵌入技术的弊端,也降低了直接使用预测误差决定输入模式的盲目性.预测效果比其他时序方法要好.     

一种时序关联规则挖掘算法的研究与实现

针对时间序列,研究和分析时序关联规则挖掘,提出时序关联规则数据挖掘的基于滑动窗口和时序树特殊结构的新的挖掘算法,并利用该算法挖掘超过给定支持数阈值频繁时序,为用户的决策支持及趋势预测提供支持,并通过实验验证算法的有效性和实用性。     

决策演化集的膜结构抑制剂

决策演化集是用来解决决策规则在时间序列上演化规律的理论和方法.决策演化集给出了决策规则在时间序列上演化模型,但是在其标准定义下,很难将决策规则的演化轨迹具象化.而决策演化集的膜结构是在决策演化集的基础上具象化演化轨迹的理论方法,它利用膜结构理论重新刻画了决策演化集,将决策演化集下隐藏属性、丢失属性、演化夹角、偏移夹角、预测夹角等都具象化出来.但是在决策演化集的标准膜结构下,具象化决策规则演化轨迹的过程中,预测膜和实体膜展现出来的只有偏移夹角这一种关系,导致预测膜如何转变为实体膜的问题,即偏移夹角如何产生的问题被掩盖了.为了解释预测膜是如何转变为实体膜这个问题,加入抑制剂概念来改造决策演化集的标准膜结构,给出含有抑制剂的决策演化集膜结构的性质,进而解释和具象化预测膜在决策演化过程中转变为实体膜的过程.     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。