基于小波多尺度的网络论坛话题热度趋势预测

文中基于小波多尺度分析进行网络论坛话题热度趋势的预报.该方法主要是对由帖子的点击数(或回复数)所形成的原始时间序列进行小波分解与重构,得到一个低频信号和多个不同尺度的高频信号;对具有近似平稳特征的低频信号建立ARIMA预测模型;对变化较多的各高频信号分别建立神经网络预测模型;然后分别对各信号进行一步预测并组合预测结果,获得网络论坛话题热度的最终预测.实验表明:将本方法用于网络论坛话题的热度趋势预测,可得出良好的预测精度.     

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。     

基于小波分析与BP神经网络的人体血压预测

及时、准确预测人体血压变化从而预防人体血压不稳定导致的病情加重的情况发生显得越来越重要.对此本文提出一种基于小波分析与BP神经网络组合的人体血压预测模型,该模型利用小波分解重构法对非平稳的人体血压序列进行分解重构计算,分离出原始序列中的高频细节分量和低频趋势分量,再利用BP神经网络预测算法对各层分量建立预测模型,最后将两种模型的预测值进行叠加,得到原始血压序列的预测值.研究表明,该组合预测模型的预测精度明显高于传统BP神经网络预测模型的预测精度,为人体血压预测提供了一种有效可靠的组合预测方法.     

基于ARIMA-SVM组合模型的股票价格预测

现有的股票价格准确预测方法各有优缺点,为了发挥各种预测方法的优点,提出二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。使用小波分解算法对数据进行分解,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ARIMA预测,对低频信息则用SVM模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始时间序列的预测值。将预测结果与实际值比较,组合模型具有较好的预测效果。经实验证明,小波分解的ARI-MA-SVM组合模型较单一的预测模型效果更为理想。     

基于小波变换的网络流量预测与分析

为了有效地分析网络流量,深入研究网络流量的性质,提出了网络流量的预测模型。对于非平稳的网络流量通过ARIMA模型进行平稳化,利用小波分解将这段在时域上的平稳的网络流量分解到不同的频带上,收集各子频带上的低频与高频信号,构造自协方差序列,再通过Davies-Harte方法（DHM）进行仿真重构,合成预测流量。实验结果表明该模型提高了预测精度,证明该方法是有效的。     

基于Gamma小波模型的网络流量预测

网络流量的精确预测是实现动态流量管理及控制的前提,由此提出一种基于Gamma小波模型的预测方法。将原始数据分解为高频信号和低频信号,采用Gamma小波模型对低频信号进行建模并获取服从Gamma分布的序列,分别对刚获取的序列以及高频信号采用加权一阶局域法进行预测,重构小波以合成数据。通过实验和数学分析的方法,证实该预测模型能够进行网络流量的短期预测。     

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.     

网络流量行为分析的小波加权混沌局域模型

结合小波变换和混沌局域模型的各自优势,提出一种网络流量的预测模型。首先,将网络流量时间序列进行小波分解得到高频信号序列和低频信号序列,再用加权混沌局域模型对每一成分的信号序列分别进行预测,对所有的预测分量进行小波重构就可以实现对网络流量的预测。用实际网络流量对该模型进行验证,实验结果表明,该模型具有较高的预测效果。     

基于小波变换和混沌理论的复杂系统状态预测方法研究

应用小波变换和混沌理论对复杂系统状态预测方法进行了研究．首先，应用小波变换对系统的特征参数序列进行分解，得到低频部分和高频部分．然后，对低频部分和高频部分做进一步分析，以确认低频部分和高频部分都存在混沌特性．再应用混沌理论分别建立低频部分和高频部分的预测模型，对低频部分和高频部分进行预测．最后，应用小波理论对混沌模型预测的结果予以重构，实现对系统特征参数序列的预测．实例研究表明，此方法具有较高的预测精度，可有效地应用于复杂系统的状态预测和故障趋势预测分析．     

改进鲸鱼算法在云计算资源负载预测中的应用

为了解决传统云计算资源负载预测方法对负载序列高频分量预测精度不高和泛化能力弱的缺点,提出一种混合小波包变换和正余混沌双弦鲸鱼优化（CSCWOA）算法优化多层感知器神经网络（MLP）的短期云计算资源负载预测方法。通过小波包变换对负载序列进行多频段预处理分解,然后采用CSCWOA算法优化的MLP神经网络,对单支重构所得的负载子序列进行预测;最后叠加各子序列的预测值来获取实际预测结果。实验结果表明,该方法能掌握负载序列各频段冲击毛刺的变化规律,具有较好的预测精度和泛化能力。     

基于小波分形自回归整合滑动平均模型的网络流量预测

研究表明Internet通信流量同时呈现长相关和短相关特性。为了精确捕捉上述通信流特性,提出一种基于小波分形自回归整合滑动平均(W-FARIMA)模型的预测方法。首先通过Haar小波的方法将原始数据分解为高频信号和低频信号,接着采用FARIMA模型对低频信号进行建模并预测序列,然后对高频信号采用加权一阶局域法进行预测,最后利用小波重构以合成数据。实验和数学分析的方法证实了该预测模型确实能够很好地进行网络流量的长期预测。     

基于自适应混合优化的电力数据预测方法

电力数据易受气候、季节、节假日等因素影响,出现不同波动特征.针对不同特征电力数据预测精度不高、预测方法泛化能力弱等问题,提出基于自适应混合优化的电力数据预测方法 .通过使用小波变换和平稳性分析,将电力数据自适应地分解为包含趋势、季节和周期信息的非平稳序列和多个平稳序列;使用状态转移算法分别优化长短时记忆深度学习网络和自回归移动平均模型,对非平稳序列和平稳序列分别拟合、预测;对预测的各序列进行重构,得到最终预测结果.在电力系统数据上进行多步预测,对比实验表明:与其他方法相比,所提方法不仅具有更高的预测精度,还具有较强的泛化能力.     

基于经验模态分解与多分支神经网络的超短期风功率预测

风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量,然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归（ARIMA）模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。