基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列,运用相空间重构理论,建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型,对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明,基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

瓦斯浓度预测的混沌时序RBF神经网络模型

为对煤矿瓦斯质量浓度进行精确预测,针对瓦斯质量浓度的非线性特点,在验证其时间序列具有混沌特性的基础上,建立了基于混沌理论和径向基神经网络的预测模型。将实测瓦斯质量浓度时间序列进行相空间重构得到训练样本,并利用MATLAB仿真软件进行编程预测分析。结果表明,相对误差为0~3%,均方差为0.005 6,预测效果良好。实例验证该预测模型切实可行。     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

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     

南水北调西线工程调水区径流序列特性分析

应用重构相空间技术和混沌理论对月径流时间序列的特性进行了分析.以南水北调西线工程调水区主要河流附近的甘孜、朱巴等4个水文站月径流时间序列为对象,研究了嵌入相空间维数和关联维数之间的变化关系,得到了饱和关联维数和最小嵌入维数,结果表明:当最小嵌入维数超过6时,关联维数逐渐趋于稳定,即达到饱和,得到饱和关联维数在1.1～1.5之间,说明这些月径流序列可能具有混沌特性,这一研究结果为利用混沌理论来建立径流的预测模型提供了较为科学的依据.     

船舶电力推进系统电力负荷混沌特性分析及预测

为实现船舶电力推进系统功耗的最优控制,提高船舶运行的经济性,建立了基于正则化的电力负荷混沌局域预测模型.运用相空间重构理论对船舶电力推进系统电力负荷进行单变量时间序列相空间重构,计算吸引子的Lyapunov指数,验证船舶电力推进系统电力负荷具有混沌特性,进而构建更为精准的由船舶电力负荷及其影响因素构成的多变量时间序列相空间.实验结果表明,该预测模型是有效的,且具有较高的预测精度.     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

Rainfall-runoff modeling for storm events in a coastal forest catchment using neural networks

1 Introduction Rainfall-runoff models play an i mportant role in water resource management , and different types of models with various degrees of complexity have been developed. These models , regardless of structural diversity , generally fall into thre…     

A Phase Space Reconstruction Based Approach to Throughput Prediction in Semiconductor Wafer Fabrication System

In order to manage and control semiconductor wafer fabrication system (SWFS) more effectively,the daily throughput prediction data of wafer fab are often used in the planning and scheduling of SWFS.In this paper,an artificial neural network (ANN) prediction method based on phase space reconstruction (PSR) and ant colony optimization (ACO) is presented,in which the phase space reconstruction theory is used to reconstruct the daily throughput time series,the ANN is used to construct the daily throughput prediction model,and the ACO is used to train the connection weight and bias values of the neural network prediction model.Testing with factory operation data and comparing with the traditional method show that the proposed methodology is effective.     

基于混沌神经网络的交通流预测算法

为提高 RBF 神经网络的交通流预测精度,提出基于混沌-RBF（Chaos-RBF,C-RBF）神经网络的交通流预测算法,该算法首先计算混沌相空间的嵌入维数和嵌入延迟,构造得到的相空间向量作为 RBF 神经网络的输入,其相空间次邻向量作为期望输出值,滚动训练得到神经网络的权值,然后以实际交通流作为输入,经由网络计算得到预测值。仿真结果表明该算法相比于 RBF 神经网络,预测精度提高 96%,证明了该算法的有效性。     

基于神经树的时间序列预测

提出了一种新的神经树模型来进行时间序列预测。采用语法引导的遗传编程来进化神经树的结构以建立一个时间序列预测模型,并把它和基于神经网络的时间序列预测模型的性能进行比较,结果显示本文提出的神经树时间序列预测模型较神经网络模型有更高的可信度。     

A Novel Method for Nonlinear Time Series Forecasting of Time-Delay Neural Network

Based on the idea of nonlinear prediction of phase space reconstruction, this paper presented a time delay BP neural network model, whose generalization capability was improved by Bayesian regularization. Furthermore, the model is applied to forecast the import and export trades in one industry. The results showed that the improved model has excellent generalization capabilities, which not only learned the historical curve, but efficiently predicted the trend of business. Comparing with common evaluation of forecasts, we put on a conclusion that nonlinear forecast can not only focus on data combination and precision improvement, it also can vividly reflect the nonlinear characteristic of the forecas ting system. While analyzing the forecasting precision of the model, we give a model judgment by calculating the nonlinear characteristic value of the combined serial and original serial, proved that the forecasting model can reasonably catch＇ the dynamic characteristic of the nonlinear system which produced the origin serial.     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．