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.     

基于小波变换与自回归模型的网络流量预测

本文提出一种基于小波变换与自回归模型的网络流量预测方法，将流量数据构成的原始序列进行小波分解，并将分解得到的近似部分和各细节部分分别单支重构到原级别上；对各个重构后的序列建立自回归模型，由所拟合的模型分别进行预测；结合各个重构后序列的预测结果，可以得到对原始序列的预测结果。实验结果表明，这种方法比传统的几种网络流量预测方法具有更高的预测准确度。     

融合小波变换与贝叶斯LS SVM的网络流量预测*

为了提高网络流量预测的精度,研究了一种融合小波变换与贝叶斯LSSVM的网络流量预测方法。首先将原始流量数据时间序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列分别用最小二乘支持向量机进行预测,将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。对比实验表明,该模型不仅具有较快的运行速度,而且具有较高的预测精度。     

基于小波变换的网络流量预测模型应用研究

研究优化网络性能问题,因网络流量数据具有很强的突发性和自相似性等分形特征,引起系统流量不稳定和不精确,用传统网络流量预测模型预测准确低.为解决上述问题,提出一种基于小波变换(WT)的自回归(AR)预测模型,首先对原始流量数据进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上,对各个重构后的序列分别建立自回归模型,由所拟合的模型分别进行预测,最后结合各个重构后序列的预测结果,得到对原始序列的预测结果.运用WT_AR进行仿真实验,实验结果表明模型比传统的网络流量预测模型具有更高的准确度.证明WT_AR是一种高效的网络流量检测模型,网络流量预测方法提供参考依据.     

基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

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。     

基于改进LSSVM模型的移动网络流量预测与预警

提出一种基于小波分解的移动数据网络流量预测方法。通过小波分解将移动数据网络流量所构成的时间序列分解成近似部分与细节部分,并分别进行重构;对近似部分采用多输入多输出的LSSVM模型进行预测;对细节部分采用ARIMA模型进行预测;将两部分的预测结果进行拟合,得到最终的预测结果;根据预测结果及历史数据,给出预警区间。实验结果表明,该方法预测精度较高,稳定性较好,适合在移动数据网络流量的实际应用中进行在线长期预测。     

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.     

基于小波分析的汽轮机振动预测研究

针对电厂汽轮机转子振动时间序列的预测比较困难,提出采用小波分解实现趋势预测。小波分解将非平稳时间序列分解成多层近似意义上的平稳时间序列,采用自回归模型对分解后的时间序列进行预测,从而得到原始时间序列的预测值。以某电厂振动信号进行预测结果表明,该算法局部及整体效果优于神经网络模型预测法,验证了该模型对转子振动时间序列预测的精确性。     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

基于经验模式分解的时间序列数据流在线预测*

提出一种通用的时间序列数据流预测方法,算法首先通过经验模式分解方法将从链式重写窗口取得的数据集分解有限具有特征振荡周期的固有模态函数分量和一个代表原始序列平均趋势的余量;然后对于各个分量分别建立最大Lyapunov指数预测模型进行预测;最后将各分量的预测值组合获得最终预测值。通过电力负荷的预测实验表明,与单一的时间序列数据流预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

基于提升小波变换的网络流量混合预测模型

当前流量预测模型难以准确刻画互联网流量的多重特性,并且存在构建时间长、预测精度低的问题.为此,设计基于提升小波分解的网络流量混合预测模型(WLGC).该模型利用提升小波将流量时间序列快速分解为分别具有低频和高频特性的近似时间序列和细节时间序列,近似时间序列利用最小二乘支持向量机(LSSVM)预测并通过广义回归神经网络(GRNN)进行误差校准,细节时间序列在半软阈值降噪后利用自适应混沌预测方法对其预测,最后使用提升小波重构得到时间序列的预测值.仿真实验结果表明,该模型可有效提高预测精度.     

基于SVD和ARIMA的时空序列分解与预测

针对传统时空序列建模过程中估计空间权重矩阵时难度较高的问题,提出一种基于奇异值分解（SVD）的时空序列分解模型ST-SVD。对原始时空序列矩阵进行平稳性检测并中心化为零均值平稳时空序列,在假设时间和空间没有交互作用的前提下,利用SVD技术将时空序列分解为空间模式、时间模式以及模式强度的乘积,通过ARIMA模型对平稳的时间模式进行建模并得到其预测结果,在此基础上,将时间模式的预测结果与分解得到的空间模式相结合,利用SVD技术对真实的时空序列进行重建,得到各个空间点的最终预测结果。实验结果表明,与ARIMA、Lasso-VAR、LSTM和STARMA模型相比,ST-SVD模型的训练时间成本降低50%以上,预测精度提升10%以上,其在实际工程应用中能够有效完成时空序列预测任务。     

基于小波变换与MOBP的股价预测

提出了一种基于小波变换与改进动量BP神经网络（MOBP）的股价预测方法。将股票价格所构成的非平稳时间序列小波分解,建立基于优化权值的改进动量BP神经网络（MOBP）预测模型,对分解得到的近似部分与各细节部分分别进行训练,结合各部分的预测结果,可以得到原始序列的预测值。实验结果表明,这种方法预测效果较为理想,且相对于传统的BP神经网络预测的准确度有明显的提高。     

基于分解集成的LSTM神经网络模型的油价预测

为了提高油价的预测效果,提出一种基于EEMD分解、小波阈值去噪、fine-to-coarse法重构和LSTM神经网络的组合预测方法.EEMD对油价原始时间序列分解,利用小波阈值去噪法获取第一高频模态分量的有效信息;分解出的模态分量运用fine-to-coarse法重构,得到从高到低的重构分量;使用LSTM神经网络预测重构分量;对重构序列简单加和得到最终结果.实证结果表明,与其他基准模型比较,在水平预测和趋势预测上该方法能有效地预测原油价格.     

基于小波分析的时间序列数据挖掘

将小波分析和ARMA模型引入时间序列数据挖掘中。利用小波消噪对原始时间序列进行滤波,利用小波变换充分提取和分离金融时间序列的各种隐周期和非线性,把小波分解序列的特性和分解数据随尺度倍增而倍减的规律充分用于BP神经网络和自回归移动平均模型的建模。利用小波重构技术将各尺度域的预报结果组合成为时间序列的最终预报。经过试验验证了该方法的实际有效性。     

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。     

网络流量预测的建模与仿真研究

研究网络流量准确预测问题,网络流量变化是一种具有时变性、多尺度和突发性的非线性系统,由于传统时间序列预测方法很难揭示内在变化规律,导致网络流量的预测精度比较低.为了提高网络流量的预测精度,提出一种小波分析BP神经网络的网络流量预测模型.模型首先通过小波分析对网络流量进行分解,得到网络流量信号的近似和细节部分,然后进行重构提取多尺度特征,最后将重构的网络流量数据输入到BP神经网络,利用BP神经网络的非线性能力对网络流量进行训练、建模并预测.仿真结果表明,小波神经网络方法提高了网络流量预测精度,是一种有效实用的网络流量预测方法.     

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。     

基于集合经验模式分解的火灾时间序列预测

采用集合经验模式分解(EEMD)和多变量相空间重构技术,结合非线性支持向量回归(SVR)模型,提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量,利用多变量相空间重构技术对分解的各个分量进行相空间重构,构建其训练数据,对重构的训练数据建立各分量的非线性支持向量回归预测模型,使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明,与单变量相空间重构方法以及SVR方法相比,该方法具有较高的预测精度。