基于自适应滤波的日负荷预测新陈代谢模型

提出了对日负荷进行预测的新方法。基于自适应滤波算法进行预测,在预测过程中对原始数据进行新陈代谢处理,且根据预测日的属性对预测结果进行加权,并依据历史负荷中负荷的变动情况对结果进行校正,以求最佳预测效果。利用自适应滤波预测结果的残差建立时间序列的AR(p)模型,与自适应滤波模型形成组合模型,从而实现了短期电力负荷样本资料随时间变化而更新、样本量和计算量不增加而预测精度能得到保证的目标。与传统的预测方法相比较,该模型用于日负荷预测具有计算迅速、精度高的优点。     

基于AR模型的非线性目标跟踪自适应算法

针对Jerk模型中各参数设置不合理对跟踪系统所造成的影响,提出一种基于自回归（AR）模型的Jerk参数自适应改进算法,实时估计并调整系统的参数,提高系统的跟踪精度及稳定性;同时,针对非线性目标跟踪系统扩展卡尔曼滤波算法（EKF）计算复杂跟踪精度低,提出采用平方根容积卡尔曼滤波器（SRCKF）进行状态估计,保证跟踪系统的精度和鲁棒性,为Jerk模型参数自适应提供良好条件.仿真结果验证了算法的有效性.     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

基于优化非线性自回归神经网络模型的水质预测

针对突发性水污染事件频发的问题,以上海市某支流具有代表性的监测断面为研究对象,通过优化调整输入数据段以及延迟阶数与隐含层神经元数等模型参数,构建基于历史水质时间序列的优化非线性自回归(NAR)神经网络模型,预测分析pH、溶解氧(DO)质量浓度和浊度3项水质指标的变化趋势。结果表明：优化后的NAR神经网络模型具有较好的非线性处理能力;当输入数据量为180,pH、DO质量浓度和浊度的神经网络模型的延迟阶数分别为2、3、9,隐含层神经元数为10时,NAR神经网络模型对pH、DO质量浓度和浊度的预测均方根误差分别为0.053、0.382 mg/L和17.300 NTU,平均绝对百分比误差分别为0.53%、3.97%和18.01%,预测效果较好。     

广义预测误差模型及其GLMS自适应算法

提出了广义预测误差模型,其二次型性能面的形状受控于模型参数α,在最小均方误差准则下,推导出GLMS自适应算法.通过简化的GLMS算法和LMS算法的类比分析,证明了模型参数α对算法的收敛特性具有明显的影响.在α<0时,可获得比LMS算法更好的收敛特性,而计算量增加不多.数字仿真结果与理论分析相符.     

灰色系统非线性回归电力负荷预测

传统灰色预测模型GM(1,1)在预测增长较快的电力负荷时预测效果会变差。针对这一缺陷,提出了一种改进的基于灰色系统的非线性回归预测模型。将非线性回归与GM(1,1)模型二者的优点相结合,利用GM(1,1)模型计算参数初始值,进而对其进行非线性回归分析预测电力负荷值。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于自回归条件密度模型的短期负荷预测方法

基于对负荷时间序列高阶矩时变特征的研究,提出了一种基于自回归条件密度模型的短期负荷预测新方法.该方法通过引入含时变参数的有偏分布,对负荷时间序列二阶以上矩信息进行了分析和描述.基于南京地区日用电量实际历史数据,分析了该负荷时间序列的时变高阶矩特征,建立了自回归条件密度模型.使用条件对数极大似然估计对模型参数进行了估计,实现了短期负荷预测,验证了该方法的可行性和有效性.结合算例中自回归条件密度模型时变参数的取值范围,推导了时变参数与条件高阶矩的数理关系,给出了一种刻画时间序列时变高偏度(三阶矩)、时变高峰度(四阶矩)的途径.算例分析表明,基于有偏t分布的自回归条件密度负荷预测模型的预测效果良好.     

一种非线性移动自回归预测模型

应用非线性回归分析中的S型增长模型及移动平均线理论,对按时间次序排列的单一数据序列,给出了一种非线性移动的自回归预测模型,将其应用于股价指数的历史数据中,对该预测模型的合理性和准确性作了初步验证,得到的结果相当理想,本模型具有一定的实际应用价值。     

自适应预测压缩

介绍一种应用自适应滤波理论及位图法对数据进行压缩的方法，并以此法用Ｃ语言编制压缩及解压程序，经过测试，对于相关性较大的序列，自适应预测压缩的效果明显优于通用压缩程序ＡＲＪ。     

环境污染的投影寻踪回归预测模型

环境污染预测中常用的统计预测法基于“假定－模拟－预测”这样一种证实性数据分析思维模式,难以适应非线性,非正态分布数据分析,投影寻踪技术采用“审视数据－模拟－预测”这样一条探索性数据分析新途径,可以用来解决一定程度上的非线性,非正态问题。应用投影寻踪回归新技术,建立了大气污染物SO2浓度的预测模型,其预测建模样本的拟合合格率为96％,预留预测检验样本预测准确率为80％。高于模糊识别模型的预测精度。     

基于小波分析与卡尔曼滤波的网络流量估计和预测方法

将目标状态的小波变换系数向量描述为卡尔曼滤波方法的状态变量,进而建立了网络流量估计和预测模型,能够实现周期内的实时跟踪和动态多步预测.利用CERNET华中地区主干网的实测流量数据对该模型进行检验,所有检验周期网络流量预测值的相对误差均值为4.58%,表明网络流量估计和预测模型具有较强的适用性.     

日周期短期负荷自适应滤波预测模型

考虑到时负荷的日周期性,利用时间序列分析中的自适应滤波预测法,建立日周期自适应滤波模型,经河北南网实例验证,预测精度较高。     

新型交通组合需求预测方法的研究

通过分析现有交通组合需求预测模型，并根据投入产出原理，提出了一种新型的交通组合需求预测的方法－投入产货运生成与分布组合预测方法，该方法的实施将简化交通需求预测的工作量，使其在实际工程中能得到应用。     

快速路交通事件持续时间预测模型研究

针对城市快速路交通事件持续时间影响因素的复杂性和不确定性,结合贝叶斯网络和非参数回归方法,提出了一种新的快速路交通事件持续时间预测模型.采用上海市快速路监控中心数据,经过降噪处理,生成样本数据;在分析样本数据特征基础上,确定了贝叶斯网络的结构学习方法与参数学习方法;对贝叶斯网络模型的结果用非参数回归算法生成持续时间预测值.最后,对模型预测精度进行了验证,发现模型预测效果较好.     

电力系统短期负荷组合预测

基于三种单一预测模型，给出了电力系统短期负荷组合预测模型。为求解固定权系数，引入智能优化算法求解。通过计算结果比较表明，组合预测法具有较强的实用性和优越性。     

中长期水文预报的模型辨识及预测研究

 针对中长期水文预报的模型辨识进行研究,探讨了预处理、建模数据量和建模方式对于模型预测精度的影响。利用基于有限采样信息准则（FSIC）的组合信息准则（CIC）对模型进行定阶,结合Kalman滤波方法进行非线性预测研究。研究表明：① 在进行模型辨识时,如果预处理导致识别的模型复杂度大幅度降低,应通过模型的预测结果对预处理方法的合理性进行检验;② 建模数据量应足以反映时序的内在波动性,但并不是越多越好,过多的建模数据量会导致模型的复杂性大幅度增加,在增加计算耗时的同时,也降低了预测的稳健性;③ 滑动模型主要是改善了较高径流值和径流峰值的预测情况,相对牺牲了较低径流值的预测精度;④ Kalman滤波方法全方位、大幅度的提高了径流在各个区段的预测效果,其峰值预测准确率更是高达63.64%。     

电力短期负荷的混沌局域关联性预测

在混沌局域预测中,相空间最近邻域点的确定通常采用欧氏距离法,其预测精度在很大程度上取决于所确定的最近邻域点性态,然而距离最近并不一定意味着预测效果最好,当该邻域存在伪近邻点或系统具有高嵌入维数时某些邻域点的演化轨迹在一步或多步后会远离预测点,究其原因是欧氏距离难以反映最邻近点与预测状态的关联程度.因此,作者提出了将欧氏距离和关联度相结合的思想,并将该方法应用于电力短期负荷预测,结果显示该方法能有效地提高预测精度.