基于多尺度小波分解的时间序列预测方法研究

运用Mallat算法和Daubechies小波分解技术,把时间序列分解为比原始时间序列更单一的细节部分和概貌部分,然后把分解后的细节部分和概貌部分重构回原尺度,对重构后的各个时间序列用传统时间序列模型进行预测,由此建立高阶AR模型,最后累加各个时间序列预测结果得到原始时间序列的预测结果。通过对某地区工业总产值数据的分析和验证,表明AR-wavelets模型与传统单一模型相比可大大提高精度。     

离散空间中正交小波分解重构算法的实现

针对目前离散空间中分解重构算法的过程较为复杂,主要研究离散空间中周期小波和非周期小波分解重构算法的实现.首先证明离散空间中的多层小波分解重构算法可以按照Mallat分解重构算法的塔式结构实现,从而将离散序列空间与函数空间中的小波理论联系起来;其次,举例说明离散空间中的分解重构算法比函数空间中的Mallat分解重构算法在滤波器的选择上更加灵活;最后,数值结果表明基于离散小波对信号进行处理在很多应用中可以取得更好的效果.     

国民收入的小波-非参数自回归预测模型

基于小波多尺度分析理论,运用Mallat算法和Daubechies小波,把时间序列分解为比原始时间序列更单一,平稳的作细节部分和概貌部分,然后把分解后的细节部分和概貌部分重构回原尺度.对重构后的各分层系数分别用非参数自回归模型进行预测.各个分层系数预测结果的和即原始时间序列的预报结果.对某国国民收入数据的分析和预报表明,非参数自回归模型与参数自回归模型相比可大大提高预测精度.     

一种快速离散小波变换算法及其在语音信号中的应用

随着小波分析的理论研究水平不断提高,其应用领域也在不断扩展。特别是其多分辨率分析和Mallat算法在数字信号处理和数字通信中得到了广泛的应用。但是如果直接按照上述算法计算信号的小波分解和重构,其计算量将是很大的。通过对实序列的快速傅里叶变换(FFT)算法的推导及Mallat算法原理的分析,根据离散小波变换算法结构特征,提出了一种基于FFT的快速离散小波变换算法,并从数学理论上进行了论证。同时把该算法应用到实际的语音信号处理中,得到了很好的快速分解和重构效果。     

基于递归神经网络的网络流量组合预测模型

为了提高网络流量的预测精度,提出了一种基于Elman递归神经网络,小波和自回归的网络流量组合预测模型.对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,对具有平稳特征的尺度系数序列用AR模型进行预测:而对体现了网络流量非线性、非平稳特性的小波系数序列使用Elman递归神经网络进行预测,最后通过Mallat算法重构得到网络流量的预测值.     

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时同序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;最后将各模型的预测结果进行叠加,从而得到原始序列的预测值.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.     

有限长度信号Mallat算法的边界延拓方法

处理有限长度信号时需要对其边界做某种延拓处理.本文在对Mallat算法分析的基础上,研究了有限长度信号Mallat算法中常用的4种边界延拓方法,并详细推导了4种边界延拓方法实现小波变换的一般过程.详细讨论了对称延拓中的2种延拓方式,分别就滤波器长度和信号长度为奇数或偶数的情况进行了研究.在周期延拓和对称延拓中,为了使多级分解与重构顺利进行,引入一个二元标示序列,使得小波变换便于编程实现.最后以bior4.4双正交小波给出实例,计算结果表明,在保持信号长度不变的情况下,按本文延拓方法能实现完全重构.     

EMD-LSTM模型对金融时间序列的预测

针对金融时间序列高噪声以及非线性的特点,提出一种基于经验模态分解（EMD）和长短期记忆（LSTM）网络的金融时间序列预测模型。为避免对整体序列只进行一次经验模态分解后的模型训练过程中使用测试集的信息,将时间序列数据通过一定大小的时间窗口进行多步经验模态分解,并对分解后的序列去噪重构,再将重构后的序列作为LSTM网络的输入,得到最终的预测结果。利用上证综指数据,将其与标准LSTM模型以及常见的结合EMD的预测方法进行对比,结果表明提出的EMD-LSTM模型具有更好的预测效果。     

小波分析和AR-LSSVM的网络流量预测

为了提高网络流量的预测精度,提出了一种基于小波分析和AR-LSSVM的网络流量组合预测模型。利用Mallat算法对非平稳的网络流量序列进行分解和重构,得到低频信息和高频信息;对具有平稳特性的高频信息用AR模型进行预测,而对体现非平稳的低频信息用LSSVM进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值。仿真结果表明组合预测模型不仅具有较高的预测精度,而且预测性能稳定。     

小波分析及其在电力系统扰动检测中的应用

文章介绍了小波变换的基本原理和一种小波变换的快速算法——Mallat算法。在此基础上将其应用于电力系统中的电力信号的检测和故障诊断中,对故障信号进行分解与重构并用Madab进行仿真。仿真结果表明：利用小波分析诊断电力系统的扰动信号非常的精确。     

基于Matlab的长序列快速小波变换实现

借助Matlab作为辅助设计工具,在Mallat算法的基础上,利用重叠保留法对长序列进行分段处理,并用圆周卷积代替小波变换中大量的线性卷积运算,有利于信号的实时处理。使用Matlab语言按算法流程编写程序,仿真结果验证了算法的正确性和有效性。     

基于大数据模式识别机器学习算法的热力站动态能耗指标预测模型

为了实现对供热系统热力站的热负荷预测,将天气、用户室内温度和时间迟滞性等因素作为负荷预测的数据依据。本文利用统计学原理和大数据架构,通过大量数据样本的学习和修正,为解决热力行业热力控制理论缺失问题提供了一条崭新的方法。将模式识别算法和时间序列相关性分析作为算法的核心,为解决天气和时间迟滞性对用户供热的影响提供了可能。本文以我公司n个典型热力站和其所带热用户为实验对象,以所在地区天气预报和天气实时数据为依据,对供暖期间所采集的热力站供暖数据、天气预报数据、典型供暖用户室内温度,通过大数据模式识别机器学习算法对样本进行学习训练,形成一套完整热力站动态能耗指标预测模型。     

The use of Kernel set and sample memberships in the identification of nonlinear time series

The problem of system modeling and identification has attracted considerable attention in the nonlinear time series analysis mostly because of a large number of applications in diverse fields like financial management, biomedical system, transportation, ecology, electric power systems, hydrology, and aeronautics. Many papers have been presented on the study of time series clustering and identification. Nonetheless, we would like to point out that in dealing with clustering time series, we should also take the vague case as they belong to two or more classes simultaneously into account. Because many patterns of grouping in time series really are ambiguous, those phenomena should not be assigned to certain specific classes inflexibly. In this paper, we propose a procedure that can effectively cluster nonlinear time series into several patterns based on kernel set. This algorithm also combines with the concept of a fuzzy set. The membership degree of each datum corresponding to the cluster centers is calculated and is used for performance index grouping. We also suggest a principle for extending the fuzzy set by kernel set and further interpret events in a sensible light through these sets. Finally, the procedure is demonstrated by set off RRI data and its performance is shown to compare favorably with other procedures published in the literature.We are grateful to the referees for their careful reading and helpful comments.     

Detection of correlation characteristics between financial time series based on multi-resolution analysis

Interactions between financial time series are complex and changeable in both time and frequency domains. To reveal the evolution characteristics of the time-varying relations between bivariate time series from a multi-resolution perspective, this study introduces an approach combining wavelet analysis and complex networks. In addition, to reduce the influence the phase lag between the time series has on the correlations, we propose dynamic time-warping (DTW) correlation coefficients to reflect the correlation degree between bivariate time series. Unlike previous studies that symbolized the time series only based on the correlation strength, the second-level symbol is set according to the correlation length during the coarse-graining process. This study presents a novel method to analyze bivariate time series and provides more information for investors and decision makers when investing in the stock market. We choose the closing prices of two stocks in China’s market as the sample and explore the evolutionary behavior of correlation modes from different resolutions. Furthermore, we perform experiments to discover the critical correlation modes between the bull market and the bear market on the high-resolution scale, the clustering effect during the financial crisis on the middle-resolution scale, and the potential pseudo period on the low-resolution scale. The experimental results exactly match reality, which provides powerful evidence to prove that our method is effective in financial time series analysis.     

标签传播时间序列聚类的股指期货套期保值策略研究

利用时间序列聚类方法进行股指期货的套期保值,关键要选择合适的聚类方法。本文从新的视角来研究并提高时间序列聚类方法在金融数据分析领域的应用性能,提出一种基于标签传播时间序列聚类的股指期货套期保值模型。该模型以动态时间弯曲为相似性度量方法来构建现货股票网络空间结构,将每只股票看作一个节点,利用标签传播方法将节点划分到不同的簇中,最终实现股票数据聚类。另外,构建最小追踪误差优化模型来确定每支股票在现货组合中的最优权重,从而得到最优组合。实验分别比较新方法和传统聚类方法确定现货组合的追踪误差,结果表明新方法能够提高现货组合的追踪精度,为丰富金融市场投资和管理方式提供新的研究思路。     

A Hybrid Intelligent Morphological Approach for Stock Market Forecasting

In this paper, a hybrid intelligent morphological approach is presented for stock market forecasting. It consists of a hybrid intelligent model composed of a Modular Morphological Neural Network (MMNN) and a Modified Genetic Algorithm (MGA), which searches for the minimum number of time lags for a correct time series representation, as well as by the initial weights, architecture and number of modules of the MMNN. Each element of the MGA population is trained via Back Propagation (BP) algorithm to further improve the parameters supplied by the MGA. Initially, the proposed method chooses the most tuned prediction model for time series representation, then it performs a behavioral statistical test in the attempt to adjust time phase distortions that appear in financial time series. An experimental analysis is conducted with the proposed method using four real world time series and five well-known performance measurements, demonstrating consistent better performance of this kind of morphological system.     

基于笔迹的身份鉴别

提出了一种基于小波分析的笔迹鉴别改进方法。现有的利用小波分析的签字鉴别方法大都建立在把整个签字当作图像,再对整幅图像通过Mallat塔式算法进行多分辨率分析的基础上,所提取的签字特征中总体特征相对较多,细节特征较少。论文所述方法先对签字的每一笔画进行复信号小波分解,然后将反映细节特征的笔画信息进行合成,最后使用马氏距离分类器完成匹配工作。理论分析和实验结果均表明了该算法的有效性。     

小波分析快速算法的加速方法

本文首先给出了小波滤波器分解方法,导出了类似于快速傅立叶变换的小波快速变换算法。它比著名的Mallat算法更简单、方便、计算速度更快,同时它还可以根据分析的信号自适应地选择小波滤波器参数。     

基于统计特征的时序数据符号化算法

为克服SAX(符号聚合近似)算法对时序信息描述不完整的缺陷,提出基于统计特征的时序数据符号化算法,与SAX不同的是,该算法将时序符号看作矢量,而各时序子段的均值和方差则分别作为描述其平均值及发散程度的分量.由于该算法能够比SAX提供更多的描述信息,因而在时序数据挖掘应用中能够获得比SAX更精确的结果.大量的实验也证实了它的出色表现.