用周期模型和近邻算法预测话务量时间序列

客服中心话务量虽然具有周期性,但在不同时间遵循不同变化规律,这是话务量预测的难点。针对这个问题,以某电信公司一年的实际话务数据为基础,分别采用周期模型和基于实例的近邻算法进行话务量时间序列预测,并对比分析了两种预测方法的效果。实验数据表明,对工作日话务量的预测,周期模型的预测效果优于近邻算法;对非工作日话务量的预测,近邻算法的预测效果优于周期模型。为取得更好的预测效果,实现了周期模型和近邻算法相结合的预测方法。结果表明,在最好的情况下,该方法的预测精度比周期模型提高约19.7%,比近邻算法提高约48.8%。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

一种基于PCA的时间序列异常检测方法

在 k-近邻局部异常检测算法的基础上,采用基于主成分分析的多元时间序列的降维方法,依据累积贡献率选择主成分序列,给出了一种效率较高的多元时间序列异常检测算法.实验结果表明:该算法可以较好地提高多元时间序列异常检测的效率     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

Seasonal Time Series Analysis Based on Genetic Algorithm

Pattern discovery from the seasonal time-series is of importance. Traditionally, most of the algorithms of pattern discovery in time series are similar. A novel mode of time series is proposed which integrates the Genetic Algorithm （GA） for the actual problem. The experiments on the electric power yield sequence models show that this algorithm is practicable and effective.     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

基于混沌理论的高速公路交通流预测研究

对衡枣高速公路短时交通流进行了混沌识别,结果表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的高速公路交通流神经网络模型,实际数据验证了该方法对短时交通流预测的有效性.     

基于季节时间序列模型的网络流量实证分析

针对CERNET上的一段网络流量数据,基于季节时间序列相关理论,对其进行实证分析,对数据进行预处理、模型的适应性检验、平稳性检验、白噪声检验及模型预测．通过经验和实际的理论操作,充分显示了季节时间序列在处理网络流量这种带有周期性性质数据中的优势．     

基于MODWT—ARIMA时间序列的棉花期货高频数据分析

介绍了ARIMA时间预测算法及MODWT小波变换的数学原理,通过对单日棉花期货的交易记录进行了MODWT—ARIMA组合分析,避免了对时间序列起点的敏感,更好地实现了对棉花期货时间序列的预测。     

多变量时间序列CAR模型在交通负荷短期预测中的应用

交通负荷是影响交通通行寿命和可靠度的一个重要因素,交通负荷变化具有明显的周期性。本文针对多变量定性计算的交通负荷难题,利用时间序列的多变量自回归CARMA模型对交通负荷进行建模、预测的理论和方法,对动态系统实行统一建模。我们用递推最小二乘法的多变量自回归模型对交通负荷参数进行估计,并用DPS系统对模型进行预测和分析,测试结果证明了方法的有效性。     

基于奇异谱分析的混沌序列降噪

基于奇异谱分析的基本思想,提出一种降低混沌信号中噪声的算法及一种基于噪声奇异谱特性的最佳重构阶次选择方法．对一个混沌时间序列进行奇异谱分析,得到各主分量和经验正交函数,选择合适阶次重构信号,即可得到降噪后的混沌时间序列．数值仿真证实了该算法的有效性．     

基于经验模态分解的上证综合指数时间序列分析

采用经验模态分解(empirical mode decomposition,EMD)方法对上证综合指数(Shanghai composite index,SCI)进行研究,将其分解为多个内模函数(intrinsic mode functions,IMFs)和剩余项之和.通过对各阶内模函数进行基本统计分析和分布拟合,发现其"尖峰厚尾"的特点基本服从自由度为3的t分布.通过对各阶内模函数进行周期性分析,揭示各阶模态间不同的波动信息,并得到周、月、半年等时间尺度股指的波动特点,以及典型上涨和下跌时段的波动周期和波动特点.     

时间序列非平稳检测方法的对比分析

对比分析了检测时间序列是否平稳的两种方法: 一种是基于简单的统计方法检测时间序列非平稳性的run-test (简称RT)方法(考虑了3种典型方法: 均值RT、方差RT和标准差RT), 另一种是利用动力非平稳检测的图示方法(space time-index, STI)。 通过分析人工生成的已知平稳性的时间序列和实际湍流时间序列, 对比了两种方法在时间序列非平稳检测上各自的优劣: RT方法简单、高效, 但精确度低; STI方法精确度高, 但复杂、低效。同时, 分析了3种不同的RT方法对不同类型时间序列的平稳性检测能力, 表明方差RT方法最适用于湍流时间序列非平稳性检测。     

地下工程监控时间序列分析方法及应用

根据现场位移监测提出１种工程预测方法，利用现场测量的围岩或支护的位移对未来位移发展趋势作出定量预测，在预测位移的基础上，应用数值方法可以预测支护围岩压力，应力及安全度随时间发展的趋势，这种预测方法可用于岩石工程安全监控，支护设计、施工效果评价及预测。     

非线性时序的混沌特性分析与预测

非线性时间序列相空间重构过程中的参数选择问题以及有效的预测方法一直是该领域研究的热点和难点，基于虚假最近邻域概念，同时确定最佳的嵌入维数m与时间延迟τ，对实际非线性时间序列进行相空间重构，求解出时间序列最在Lyapunov指数LE，验证了其中混沌特性，其可预报尺度为[1／LE]．并应用基于[1／LE]个输入神经元与Kenya提出的m：2m：m：1这两种人工神经网络结构对非线性时间序列进行训练和预测，预测结果的平均误差分别为4％和2％左右，后一种神经网络结构能提供更好的预测结果。     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

股市时间序列的多重分形消除趋势分析

为了探索股票时间序列的无标度性,应用多重分形消除趋势分析的方法(MF-DFA)来研究沃尔玛指数(WMT)日收盘价.研究结果表明,沃尔玛指数日收盘价的变化具有多重分形的特性,广义Hurst指数显著依赖于波动函数的阶数,并随之变化;尺度函数表现出明显的非线性性质;多重分形谱呈现单峰钟形图像.     

基于空中交通网络节点最大流的性能分析

以减少空中交通延时为目的,从理论角度研究了空中交通网络的最大流.利用离散时间消失排队系统,计算得到了机场节点最大流的理论上界,并且对该理论上界进行了性能分析.通过仿真实验,验证了方法的有效性.     

随机时间序列分析技术在齿轮点蚀疲劳寿命预测中的应用

在已进行的齿轮点蚀疲劳寿命预测计算模型的研究基础上，应用随机时间序列分析技术分析处理计算模型中随时间变化的因素，从理论上解决了齿轮寿命预测中的难点，建立了齿轮点蚀疲劳寿命预测的方法系统。