原油期货价格预测模型CEEMDAN-PSO-ELM

为了进一步提升原油期货价格预测的精准性,本文基于CEEMDAN分解算法和ELM极限学习机模型,利用PSO粒子群优化算法对机器学习模型进行参数寻优,进而构建了CEEMDAN-PSO-ELM模型用于原油期货价格预测.先基于CEEMDAN算法对原始价格序列进行分解,然后利用Lempel-Ziv复杂度指数对分量进行重构,得到高频、中频和低频重构分量,再采用PSO-ELM模型对每个重构分量进行预测,利用PACF系数选取模型输入变量,最终加总集成各分量预测结果.实证结果表明,与其他15种基准模型相比,CEEMDAN-PSO-ELM模型的预测性能最佳,MCS检验和DM检验也进一步证实了该模型的稳健性.     

CEEMDAN-HURST算法在新冠疫情预测中的应用

针对COVID-19新增病例是一个非线性非平稳的时间序列,提出基于CEEMDAN-HURST算法的COVID-19组合预测模型。利用自适应噪声完全集合经验模态分解算法将新增病例时间序列分解为频率不同的子序列;利用HURST指数分析各个子序列的随机性并将子序列整合为高频、中频和低频三种子序列,通过最小二乘支持向量机对这三种子序列分别进行预测;叠加各重构子序列的预测结果,得到COVID-19新增病例的最终预测值。结果表明,基于CEEMDAN-HURST算法的COVID-19新增病例组合预测模型提高了非线性时间序列预测过程中的效率以及预测精度。与CEEMDAN-PE组合模型相比,平均绝对误差、均方根误差分别降低了11.13%和29.67%,表明CEEMDAN-HURST算法可有效解决非线性时间序列预测模型普遍存在的预测效率低和预测精度低的问题;赫斯特（HURST）指数度量了时间序列的偏移程度,引入HURST指数进行合并重构整合,可减少时间序列预测所需要的子序列数目。     

基于自适应时序分解的空气污染物浓度预测

为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型。首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一组不同频率、复杂度的固有模态函数(IMF)和一个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC一起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果。实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性。     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

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.     

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。     

基于两步分解法和SARIMA的非饱和机场能耗预测

针对非饱和机场能耗时间序列的非线性和非平稳性特点,提出一种基于两步分解法和季节差分自回归滑动平均模型相结合的组合预测法。利用自适应噪声完整集成经验模态分解法和样本熵,将原始能耗时间序列分解为从高频至低频且复杂度不同的分量。再利用变分模态分解法对高频复杂分量再次分解,得到一系列呈现弱非线性且相对平稳的子序列。采用季节差分自回归滑动平均(SARIMA)模型对各子序列进行建模预测,将各子序列预测结果叠加得机场能耗预测值。实验结果表明,该方法可以有效提高非饱和机场能耗的预测精度。     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

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.     

基于时延特性的短时动态交通流预测模型研究

针对传统预测模型存在的预测误差较大等问题,基于时延特性设计了新的短时动态交通流预测模型.采用延迟坐标状态相空间重构法重构交通流时间序列,并结合C-C算法,利用序列的关联积分组成描述非线性时间序列相关性的统计量,确定嵌入维数与时延.根据重构后的时延特性,利用相似性度量方法初步预测的目标断面流量,并建立递归神经网络模型.在递归神经网络模型的链式结构中引入长短时记忆单元,增强预测网络的记忆能力,实现短时动态交通流预测.实验结果表明,上述模型能够有效实现短时动态交通流预测,预测结果与实际之间的误差小,且预测F-measure值高、鲁棒性好,证明其具备较好的交通流量预测效果.     

经验模式分解与时间序列分析在网络流量预测中的应用

提出一种经验模式分解和时间序列分析的网络流量预测方法. 首先,对网络流量时间序列进行经验模式分解,产生高低频分量和余量;然后,对各分量进行时间序列分析,确保高频分量采用改进和声搜索算法优化的最小二乘支持向量机模型、低频分量和余量采用差分自回归滑动平均模型进行建模和预测;最后,将预测结果通过RBF神经网络进行非线性叠加,得到最终的预测值.仿真实验表明,所提出方法具有更好的预测效果和更高的预测精度.     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

分步式滤波在短时交通流预测中的应用

用基于分步式滤波的多传感器动态系统数据融合算法建立了短时段交通流量预测模型,并与传统的卡尔曼滤波算法在计算复杂度上进行了比较。利用澳大利亚某高速公路所采集的数据进行了预测仿真实验。实验结果表明该算法确保了预测精度,同时简化了计算量,提高了响应速度,可以实现对交通流的实时预测。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

Prophet混合模型应用于基站网络流量长期预测

传统网络流量预测方法大多数关注短期预测,而长期预测能够更好地指导基站小区无线设备扩缩容。集合经验模态分解（ensemble empirical mode decomposition,EEMD）能够使非平稳时间序列转化成平稳时间序列,Prophet模型能够准确地对流量序列进行较准确的长期预测,基于以上模型方法的优点和基站小区网络流量的非线性和非平稳性特点,提出一种Prophet混合EEMD的基站小区网络流量预测方法（E-Prophet）。采用EEMD将网络流量序列分解成若干固有模态函数（intrinsic mode functions,IMF）分量和一个残差分量;利用Prophet模型对各分量建模,并将各分量预测结果进行线性组合,得到最终的预测结果。利用实际基站小区网络流量数据对方法进行验证,结果表明：E-Prophet对于网络流量长期预测比Prophet、SARIMA、LSTM以及结合EMD和Prophet的模型具有更高的准确度和鲁棒性。     

基于定量递归联合熵特征重构的缓冲区流量预测算法

对网络基站缓冲区的短时网络流量的准确预测是缓解和控制拥堵的关键.基站缓冲区的短时网络流量时间序列具有非线性混沌特征,其自相关特性较弱,而传统方法采用线性时间序列分析方法没能有效挖掘流量序列的非线性特征信息,流量序列预测性能不好.提出了一种基于非线性时间序列分析的定量递归联合熵特征重构网络基站缓冲区的短时网络流量预测算法,该算法提取流量序列的定量递归联合熵特征,并对特征序列进行相空间重构;把网络流量信号模型进行高维映射,在高维相空间对短时网络流量序列进行定量递归分析;采用自相关特征奇异分解对流量序列进行聚合后的线性叠加,采用平均互信息算法和虚假最近邻点算法计算最佳时延参数和最小嵌入维;进行插值拟合形成时频分析特征分流控制,实现对网络流量的预测.仿真结果表明,该算法预测精度较高,稳定性较好,预测偏差较传统方法低,具有较好的应用价值.