基于云模型的时间序列预测

在日常生活中广泛存在着各种时间序列数据,发现时间序列知识、对时间序列进行预测正成为数据挖掘与知识发现的重要内容.首先提出了基于云模型的时间序列预测机制,该机制以云理论为知识表示的理论基础,提出了两种预测知识:准周期变化规律和当前趋势,并综合两种不同粒度的预测知识实现了时间序列的预测.然后着重于运用云模型进行知识表达、定量数值与定性知识的转换以及综合不同时间粒度的知识进行时间序列预测.     

基于时间序列模型的商业企业销售量预测方法研究

预测是企业管理的一个重要职能,在如今激烈的商业竞争下,如何根据现有的数据预测未来并制定适宜的策略是企业成败的关键。本文在研究商业企业销售量时间序列的基础上,结合季节变动分析方法,建立商业企业年销售量预测模型,并在此基础上对商业企业实际销售预测给出的指导性建议。     

时间序列模糊滑动预测

在时间序列经典滑动预测基础上,给出了模糊滑动预测方法,并举例说明了它比传统的滑动预测有更强的修匀能力。     

基于RBF神经网络的时间序列预测

分析了RBF神经网络的结构和学习算法,利用RBF神经网络和Matlab神经网络工具箱建立人口数量预测模型,并应用该模型对中国人口数量进行了预测.     

基于时间序列模型的青藏铁路路基变形预测

为分析青藏铁路路基高程不规则变形,通过建立高程—时间响应模型,基于Box-Jenkins建模方法,确定时间序列模型阶数,根据AIC准则,选取适合的时间序列模型,最后给出批量预测全部路基测点高程的算法步骤。研究了青藏铁路路基高程随时间变形规律问题。结果表明：以2010年—2018年每月青藏铁路K1425+050处左侧路基高程数据为例,建立了ARMA(2,1,1)模型,并以2019年数据作为验证集,模型通过了模型适应性检验,证明了模型的有效性和准确性;总结了青藏铁路沿线各测点至2023年12月预测值中可能出现重大变形以及测点左右两侧路基高程差值出现较大差值的10个危险点;在测点K1476+600附近,路基两侧出现明显长距离的差异。可见本模型能准确预测青藏铁路路基高程的变化,对于工程养护维修具有一定借鉴意义。     

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。     

基于模糊时间序列的机场旅客周转量预测

本文在分析了各种机场旅客周转量预测模型的基础上,提出了采用模糊预测法的建议,剖析了模糊时间序列预测模型的基本算法,实例验证了模型的有效性,并对双流机场未来5年的客运周转量进行了预测,其结果具有较高的精度,该方法可作为预测航空客运量的有效工具。     

时间序列分析预测

将RFDE(Retarted Functional Differential Equation)和NFDE(Neutral Functional DifferentialEquation)引入到时间序列单元分析预测中,建立了RFDE和NFDE进行预测的理论基础和几个新的预测方法,并解决了其它一些预测方法难以解决的预测问题。     

基于RBF网络的金融时间序列预测

RBF网络是一种新颖有效的前向型神经网络,它通过非线性基函数的线性组合实现从输入空间RN到输出空间RM的非线性转换,特别适合于非线性时间序列如股票市场等金融系统的预测.本文以中集集团的实际收盘价作为预测对象,提出基于RBF网络的个股价格预测模型,仿真实验表明,该模型对于个股价格的短期预测是可行有效的.     

基于PSOGA的LS-SVM模型在时间序列预测中的应用

使用PSO与GA结合的混合算法PSOGA对最小二乘支持向量机(LS-SVM)模型的参数进行了优化,搜索到更优的参数,提高了模型的时间序列预测精度.在Mackey-Glass、Lorenz时间序列上的实验结果表明:本文模型预测精度较高.     

混凝土碳化深度随机时间序列预报模型

抛开多因素回归的研究方法,根据碳化速度系数序列自相关函数和偏相关函数载尾和拖尾的变化规律,对水灰比ｍ（Ｗ）／ｍ（Ｃ）∈「０．４０,０．６５」的混凝土碳化深度采用随机时间序列方法进行分析,确定了碳化深度的ＡＲＩＭＡ（１,１,０）预报模型。经检验,该预后模型精度高、规律性好、应用范围广。     

基于时间序列的可燃物平均含水率日变化预测模型

根据黑龙江省海林石河子林场试验地的观测数据,建立了基于时间序列预测可燃物平均含水率每日变化的预测的模型,由此模型可以由前一日和前二日的可燃物平均含水率可以预测出后一日的可燃物平均含水率,经检验拟合效果较好.     

变分贝叶斯Kriging模型预测混沌时间序列

基于变分贝叶斯及Kriging数学思想,提出了一种含噪混沌时间序列的相空间域预测模型。在相空间域中利用变分贝叶斯推断方法估计模型中的回归系数,采用Kriging数学方法估计模型中的随机部分,将该模型对含加性高斯噪声的Lorenz及Mackey-Glass混沌时间序列进行了预测研究;结果表明该文方法能够有效地预测含噪混沌时间序列,且具有较强的抗噪能力以及有效地克服了过拟和现象;同时预测精度对重构相空间的嵌入维数和时间延迟的变化不敏感。     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

基于遗传算法的双线性模型在大坝安全监测预报中的应用

文章提出了实用自相关系数图确定双线性模型的自回归项,应用了基于遗传算法的一套建模方法。通过实例表明,由于双线性模型实际拟合和预测过程中产生的残差信息进行反馈矫正,保证了模型高的拟合精度和稳健的预测性能,与门限自回归模型比较,双线性模型比门限自回归模型具有更好的预测精度。     

电力系统短期负荷的混沌时间序列预测

电力系统短期负荷预测在电力系统的调度和管理中起着重要的作用,已有研究证明了电力短期负荷是一非线性动力系统,负荷时间序列是混沌时间序列.文章讨论混沌时间序列的相空间重构技术,并以实际电网为例重构了该电力系统的相空间,最后采用Elman递归神经网络对负荷时间序列进行仿真预测,预测结果表明采用该方法能取得较好的预测效果.     

基于小波网络的非线性经济时序预测模型

为对经济时序准确预测,必须先对其数据结构进行分析,相空间重构技术为之提供了理论基础,通过关联维数的计算,区分确定性系统和随机系统．在此基础上确定最佳嵌入维数、最佳采样时间间隔及小波元的个数,并通过带有偏差单元的递归小波网络的学习,进行模型参数的辨识．实验研究表明,模型对非线性经济时序具有良好的逼近能力,因此该模型用于非线性经济时序预测具有可行性。     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

混沌时间序列局域预测模型及其应用

为了确定滞时、嵌入维数和最邻近点数运3个混沌时间序列局域预测模型参数,首先利用关联积分法确定滞时和嵌入维数．重构混沌时间序列的相空间;而后在此基础上,提出一种新的预测模型——加权动态局域预测模型．该模型综合考虑了广义自由度和邻近点权重,给出了确定最优邻域的判定指标．实际水文系统的计算分析表明,加权动态局域预测模型具有较高的预测精度,是一种有效的用于混沌水文时间序列的预测模型．