基于局域波法的时间序列预测

提出了一种新的用于时间序列预测方法。由于实际信号常常具有非平稳特征，直接应用AR模型进行时间序列分析，得不到理想的效果。而局域波分解法是一种新的分析非平稳、非线性的工具。用局域波分解法对待预测的时间序列进行经验模式分解，产生多个基本模式分量，对各个分量分别进行AR模型预测，然后重构各个预测值。仿真结果表明预测结果比直接进行AR模型预测更加精确。     

一类新的强化缓冲算子及其数值仿真

根据新信息优先利用原理,在已有强化缓冲算子研究的基础上,构造一类新的强化缓冲算子,同时研究了它们的一些特性,克服了原有强化缓冲算子对序列新信息利用不够充分的缺陷,有效地解决了冲击扰动数据序列在建模型预测过程中常常出现的定量预测结果与定性分析结论不符的问题,算例仿真表明：与已有强化算子相比,这类新的强化缓冲算子显著地提高了GM(1,1)模型的预测精度。     

时间序列分析的随机集方法

通过建模仿真,对有独立观测值的统计方法进行估计、预测和控制,并提出了一种新的解决时间序列分析的方法．由全集中某些指定数值的最邻近域诱导出一种局部不确定的随机集模型,在“模糊集”的基础上将统计目标整合到基于规则的系统中．实例结果分析表明,随机集模型是一种很好的时间序列分析方法。     

一种新弱化缓冲算子的构造及应用

灰色序列算子对灰色预测模型的预测精度起到关键作用.在已有缓冲算子和弱化缓冲算子研究基础上,构造出一种新的弱化缓冲算子,有效解决了冲击扰动数据序列在建模预测过程中经常出现的定量预测结果与定性分析结论不符的问题.实例分析结果表明该弱化缓冲算子使用方便、有效,能显著提高GM(1,1)模型的预测精度.     

δ域与Z域传递函数转换的系数向量

连续时间模型离散化有多种方法，δ算子是一种新的离散化方法，研究Z域与δ域传递函数模型转换的系数向量，给出了δ算子与q算子离散传递函数模型转换的系数关系，仿真结果表明了算法的有效性，当采样周期趋于零时δ算子模型接近于连接模型，而q算子模型与连续模型几乎无相似之处。     

季节变动时间序列的两种新预测模型

对于季节变动时间序列提出了一种新的乘法分解模型,它可表示成年度变动因子、季节变动因子、总平均值和随机变动因子的乘积.然后在此基础上给出渐进预测模型和乘法预测模型,最后进行了实例分析.     

利用虚拟变量对季节指数的估计

利用季节虚拟变量建立回归模型,通过季节虚拟变量的参数估计间接地估计季节指数,并且利用模型进行了一些传统的季节指数方法无法进行的推断统计,是一种分析季节指数和季节变动的新思路.但是,由于时间序列数据直接应用到回归模型会与古典假设不相符合,在参数估计以及推断检验中就需要采用一些新的方法,这也正是利用季节虚拟变量估计季节指数时存在的问题,这个问题还有待于以后解决.     

基于改进型BP算法的外债风险指标预测

利用人工神经网络进行时间序列预测是一种较新的方法,它具有不需建立复杂的数学模型以及非线性映射能力强等优点。采用动量法和学习率自适应调整的改进型BP算法对外债风险的各项指标进行了非线性时间序列的预测。仿真结果表明神经网络模型对外债风险的各项指标预测的结果是准确可靠的。     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。     

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.     

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.     

激光打印文件朱墨时序的数字化特征研究

目的通过数字化特征判断激光打印文件朱墨时序。方法采用Photoshop软件的RGB和Lab两种颜色模式处理方法,对激光打印文件中朱墨交叉区域处的颜色信息进行提取,并通过秩和检验转化为具体秩均值,然后以多元化参数方法实现颜色表征,最后利用统计学的原理及方法对颜色信息转化的具体数据进行处理和分析,以此得到朱墨时序的判定结论。结论激光打印文件朱墨时序的数字化特征研判方法,为朱墨时序的检验鉴定提供无损检验的新方法,图像处理技术与文书检验相结合,为数字化特征进入文书物证领域提供借鉴。     

基于总体经验模态分解的水文序列多尺度分析

为解决模态混叠问题,将总体经验模态分解方法应用于水文时间序列的多尺度研究中.将白噪声加入原始序列,经过总体经验模态分解后得到固有模态函数,通过对结果进行显著性检验并最终得到水文时间序列主要振荡周期、中心频率、平均振幅等信息.通过对黄河三门峡水文站实测天然年径流序列进行分析,发现总体经验模态分解能够较好地解决模态混叠现象...     

二元时间序列模型预测3G 网络接通率

为提高对网络性能预判的准确度, 提出了运用多元时间序列的相关性计算方法, 时间序列的模糊化方法和模糊规则矩阵的构建方法, 建立了一种基于二元时间序列的接通率预测模型, 将拥塞率序列融入到对接通率的预测过程中。该方法克服了传统网络性能指标预测方法中, 只考虑单一时间序列, 不考虑其他变量与待预测变量的相关性的弊端。仿真实验结果表明, 该模型能够实现网络接通率的有效预测, 为网络性能综合预测提供理论基础和新方案。提高了预测精度。     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

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。     

人源甲型H1N1流感HA基因进化特征分析

为了探究2009年3月至8月流感大爆发期间的人源甲型H1N1流感病毒的进化特征,提出了一种图形化表达病毒序列的方法,该方法将甲型H1N1流感病毒HA基因的符号序列数字化表达后,利用主成分分析（PCA）将高维数值序列的维度大幅度降低为二维,将低维的数值序列图形化表达在平面和空间中。在序列的图形化表达基础上,对2009年3月到8月收集的三千多个流感病毒样本做了新旧病毒的区分,筛选出了新型病毒菌株,并根据图形探究了甲型H1N1流感病毒在时间序列上的进化特征。