基于混沌算法神经网络的恒生指数期货时间序列预测

本文对香港恒生指数期货（ＨＳＩ）的时间序列进行了分析和预测。我们发现该时间序列具有分数组和正的Ｌｙａｐｕｎｏｖ指数,这表明该序列是由内在的混沌确定力产生的。在对该序列进行动力学重构和可测性分析的基础上,我们用混沌算法的前馈神经网络对它进行了在线预测。计算机模拟表明混沌算法神经网络的预测噗蒿于背传算法神经网络的预测精度。     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

基于混沌时间序列法的瓦斯涌出量预测

利用相空间重构技术,并借助C-C方法和小数据量法从一维瓦斯涌出量时间序列中提取最大Lyapunov指数。结果表明：最大Lyapunov为0.28126的瓦斯浓度时间序列具有混沌特性,且在短期内,预测结果与实际情况符合较好。     

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.     

适用于高必要嵌入维的混沌时间序列预测算法

针对现有的混沌时间序列预测算法－－延迟坐标状态空间重构法不能对必要嵌入维较高的奇异吸引子进行有效预测问题,分析表明了高嵌入维时预测精度下降的原因在于 构空间的全局Ｌｙａｐｕｎｏｖ指数谱的变化。通过引入仿射变换,改善了高维重构空间的全局Ｌｙａｐｕｎｏｖ指数谱的性状,并由此给出了适用于高必要嵌入维的预测算法。仿真结果很好地支持了这一设想。     

混沌时间序列局域线性预测方-法

在许多场合下,时间序列中的明显随机性可能是由于非线性确定性系统中混沌行为的缘故．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测,然而,利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间,接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题,并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ,Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明,这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论,有利于在实际中选择合适的预测模型．     

混沌时间序列的局域线性回归预测方法

混沌时间序列预测是８０年代末发展起来的一种非线性预测新方法．它已在天气预报、经济预测、电力负荷预测、股市预测等方面得到成功应用．混沌运动是确定系统具有内在随机性的一种运动,它的行为极其敏感地依赖于初始条件．混沌系统从两个极其邻近的初始点出发的两条轨道...     

基于混沌动力学的日径流时间序列预测

介绍了探求时间序列中的混沌特征数的常规方法,给出一种基于混沌理论的预测算法,并以葛洲坝隔河岩水库的入库日径流序列为例检验了这一方法,其预测效果令人满意。     

混沌算法神经网络与含噪声时间序列的预测

在前馈神经网络连接权的动力学方程中引进一非线性反馈预后,网络在权空间具有混沌动力学行为：应用这种算法的神经网络对基于Mackey-Glass方程含噪声的时间序列进行在线预测,结果表明网络具有很好的预测性能。     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

ARIMA模型在重庆市能源消耗量预测中的应用

能源是人类赖以生存和发展的重要物质基础,对经济的快速发展和人们生活水平的大幅度提高起着无可取代的作用,随着经济的发展人们对能源的需求日益增多,由于地球上的资源是有限的,对未来能源消耗量的准确预测显得尤为重要;运用ARIMA模型对《2013重庆市统计年鉴》中重庆市1981-2012年能源消耗量数据进行分析,结果显示:ARIMA(2,3,2)模型预测未来的结果较为准确,为重庆市资源消耗量提供了可靠的依据。     

混沌时间序列预测及在股票市场中的应用

提出一种基于嵌入理论和确定集上的预测误差的混沌时间序列预测方法．该方法不仅克服了仅用延迟嵌入技术的弊端，而且也降低了直接使用预测误差决定模型状态向量的盲目性．实证分析结果表明该方法在实际预测中是有效的．     

基于改进遗传算法的BP神经网络及应用

结合遗传算法及神经网络各自的优点,利用改进遗传算法对BP神经网络的连接权进行优化,并提出了一种新的编码方式.通过与时间序列模型对比,基于改进遗传算法的BP模型效果更好.     

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.     

一种基于小波网络的混沌时间序列判定

在对混沌时间序列与随机序列的不同特征进行分析的基础上,提出一种可对二者予以区分的判定算法.并结合具有优异特性的小波函数,构造一种小波神经网络.最终给出基于小波网络的集成的混沌时间序列判定-预测算法.     

Combination prediction method of chaotic time series

In the present paper, we propose an approach of combination prediction of chaotic time series. The method is based on the adding-weight one-rank local-region method of chaotic time series. The method allows us to define an interval containing a future value with a given probability, which is obtained by studying the prediction error distribution. Its effectiveness is shown with data generated by Logistic map.     

加权零阶局域法在网络舆论趋势预测中的应用

采集了某一时段国内某著名网站上针对某一指定话题的帖子,按时间周期构造了一个关于新增帖子数量的时间序列,利用混沌时间序列预测方法中的加权零阶局域预测法预测了该序列的变化趋势.仿真结果表明该预测趋势与实际趋势在短期内是基本一致的;短期预测误差明显小于长期预测误差.     

低维混沌时序的预测方法及其应用研究

研究由低维非线性动力系统所产生的混沌时序的预测方法及其应用。通过改进的最小二乘方法来估计模型的参数,并在其相空间中对时序的未来值进行预测。给出了有代表性的实例对本文的模型和算法进行验证。结果发现选取最佳的模型阶数能增加预测的准确程度,且混沌时序不可能进行长期的预测。算例表明本文建议的方法是有效的。