基于ε-SVR的用户视听在线人数预测

预测视听在线人数能够帮助厂商提供有价值的信息,获取更大效益.从时间序列分析出发,经过特征调整,利用支持向量回归对用户视听在线人数进行准确预测.首先,对数据进行时间序列分析建模并预测;然后,将模型视为线性回归对用户视听在线人数作进一步改进,结合时间与实际生活中的特征进行调整,并添加了新的特征;接着,对新特征组成的样本进行支持向量回归,通过社会认知优化寻找径向基函数中的最优参数;最后,得到比较理想的预测效果.     

基于预测控制模型的一种状态空间实现

以受控自回归滑动平均模型和受控自回归积分滑动平均模型为研究对象，根据估计理论，利用参数递推方法，构造了广义预测控制的一种状态空间实现，从而避免了解Diophantine方程，大大地减少了预估算法的计算量，为控制系统的性能分析提供了便利条件，文末，对状态空间实现的可控与可观性加以了证明。     

基于改进ARMA模型的时用水量预测

针对时用水量存在周期性的特点,引入季节因子,采用时变ARMA季节模型对非线性非平稳系统的时用水量进行模拟.以杭州市实测用水量为例,分别采用时不变ARMA季节模型和时变ARMA季节模型进行时用水量预测,结果表明时变ARMA季节模型预测精度相对较高,且预测误差相对稳定,较时不变模型更具有实用性.     

基于智能集成粒子群算法的时间序列数据挖掘研究

针对单一算法在处理复杂时间序列数据时存在缺陷以致无法挖掘全部信息的问题,提出了智能集成架构,给出了四种集成结构,并分析了它们的适用情况。针对一类随机噪声干扰的时间序列数据,采用并联嵌套建模结构,提出嵌套双种群粒子群算法的自回归滑动平均(ARMA)模型,用于挖掘数据中的随机性趋势;提出基于概率密度控制(PDF)的最小二乘支持向量机(LSSVM),用于挖掘数据中的确定性趋势,两种模型并联补集成实现对数据信息的充分挖掘。通过一组实验验证了所提方法的效果。     

基于MARMA模型的SAR图像SVM分割

在分析SAR图像特征的基础上,提出一种新的基于多尺度自回归滑动平均(multiscale autoregressive moving average,MARMA)模型的SAR图像分割方法.首先建立多尺度序列,然后通过研究SAR纹理图像的MARMA模型,建立适合SAR图像的多尺度特征矢量,最后采用提出的广义加权支持向量机进行特征分类.实验结果表明,采用此分割方法可以获得很好的分割结果.     

基于动态剪枝算法的神经网络预测模型

提出一种针对径向基函数网络动态剪枝算法,该方法根据统计贡献度动态确定核函数最优数量,在递归估计参数的同时根据核函数贡献度的大小动态消除冗余节点,以达到最佳网络结构.利用中国月度信贷数据进行实证分析表明,新提出的模型与SARIMA和SVR等其他基准模型相比,具有更好的预测稳健性和准确性.     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

旅游收入时间序列预测——以秦皇岛市为例

采用时间序列动态模型、求和自回归滑动平均模型、延迟因变量自回归模型预测秦皇岛旅游收入时各有优劣。用平均绝对百分比误差、均方根误差和均方根百分比误差三个指标来评估这三个模型,发现求和自回归模型的预测能力最好,并由此提出增加秦皇岛旅游收入的关键措施：导入区域旅游模式,提升旅游服务质量,加强旅游产品促销等。     

基于ε-SVR的嵌入式小波图像编码算法

针对基于支持向量机的小波图像编码算法难以实现嵌入式特性问题,在小波域构建一种回归树结构作为回归基本数据集合,同时利用子带内和子带间小波系数的相关性,提出一种线性动态阈值选取方法,以利于逐次逼近并保证回归数据的均衡性,并基于选定的阈值动态选取ε误差参数对小波系数进行多次回归,保证了重要系数被优先编码,使压缩算法具有嵌入式特性,对获得的支持向量及其权重进行自适应算术编码.实验结果表明,在压缩比相近的情况下,重构图像的PSNR(Peak Signal to Noise Ratio)比同类算法提高1～3 dB.     

时间序列在地下水位预测中的应用

本文利用时间序列建立了一个趋势回归模型、虚拟参数的季节模型和时间序列分析的统计预测模型.该模型能够很好地分离出时间序列中的趋势成分,且能够很好地刻画它在各个年度周期内部光滑的季节成分.该文将地下水位统计数据进行了消除趋势成分及消除季节影响的处理,再将新得到的数据进行平稳化、零均值化处理,并利用时间序列的自相关函数、偏自相关函数的性质,最终确认了适当的时间序列模型.以北京市1990~1994年共60个月份的地下水位统计数据为实例进行分析,确定此模型为ARMA(1,4)模型.通过对数据的计算,可预测出北京市1995年地下水位值.     

统计模式识别和自回归滑动平均模型在 设备剩余寿命预测中的应用

为了对设备预知性维护研究提供支持,采用统计模式识别（SPR）方法对设备进行性能评估,获取设备健康指标;再运用自回归滑动平均模型（ARMA）对设备剩余寿命进行预测,建立了基于设备健康状况的设备剩余寿命预测模型.对生产过程中刀具加工设备寿命预测进行分析和验证结果表明,该设备评估和预测方法是有效且实用的.     

成都市城区空气污染指数的时间序列分析

根据成都市城区2001～2005年的大气污染监测资料,获取和分析成都市空气污染指数.采用时间序列分析方法,对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验.结果表明:成都市空气污染状况具有夏季较好、其他季节较差的季节性变化规律.采用时间序列分析大气污染状况是可行性的.     

一种新的支持向量回归预测模型

运用支持向量机（SVM）理论，建立了一种新的支持向量回归（SVR）预测模型.模型的求解可转化为二次规划问题，并能实现模型参数的自动选择.用此模型对我国粮食产量增长率的预测表明，模型具有较好的概化能力.     

基于自回归滑动平均模型和粒子群算法的地震子波提取

基于自回归滑动平均(ARMA)模型理论,对地震子波进行参数化建模,采用累积量拟合法精确估计参数,使地震子波提取问题最终归结为一个多参数、多极值的非线性函数优化问题。对基本粒子群算法进行改进,通过自适应参数调整和边界约束,克服基本粒子群算法易陷入局部极值的缺陷,同时提高算法寻优精度和计算效率。仿真数据试验结果验证了改进的粒子群算法在地震子波提取方法中的有效性和稳定性。     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。     

灰色支持向量机在机场吞吐量预测中的应用

在分析传统预测方法不足的基础上,利用灰色支持向量机组合分析模型,以实际值与灰色模型预测值的比值序列作为支持向量机模型的输入,选取径向基函数为核函数,并通过交叉验证法选取最优参数,利用支持向量机模型分析预测比值序列,最后通过灰色模型还原为货邮吞吐量的预测值.以上海机场货邮吞吐量为例,对灰色支持向量机模型进行了实证分析,并与灰色模型、支持向量机模型进行了对比.     

基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。     

基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

面向多输入输出系统的支持向量机回归

目前支持向量机回归算法只适用于单输入单输出系统,在处理复杂多变量系统时多采用构造一系列单变量支持向量机模型的方法,增加了模型与控制的复杂性。针对这一问题,提出了面向多输入多输出系统的支持向量机线性回归和非线性回归方法,两种方法的不同在于映射到高维空间后的运算方法不同。与单变量支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,且在小样本数的情况下,模型训练速度较快。最后将该方法应用到甲基丙烯酸甲脂的间歇聚合反应过程中,仿真结果表明该方法的有效性。