基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

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。     

基于泛函网络的周期来压预测方法研究

为预测周期来压,构建了基于小波和混沌优化的泛函网络(FN)预测方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量。基于混沌理论对分量相空间进行重构。各重构分量分别使用FN模型进行训练。最后,将各个FN模型得到的预测分量进行小波重组,得到完整的周期来压荷载预测波形。通过在重构时的计算发现,荷载的时序序列有一定的混沌性。通过模拟并与3种其它模型进行比较发现,基于小波和混沌优化FN的预测模型得到的最终周期来压荷载波的精度更高,收敛性也较好,但是,时间成本较大。     

基于改进RBF网络的多变量序列建模和预测

针对复杂系统多变量序列预测研究中数据样本过多、信息冗余等问题,从学习样本选择和聚类中心优化两方面对径向基函数(RBF)网络进行改进.基于复杂系统多变量时间序列,首先采用一个线性相关函数和一个非线性相关函数分别计算多变量状态间的线性相关性和非线性相关性,确定一个包含系统有效信息的小数据集;然后基于小数据集,采用K均值聚类方法确定RBF网络的隐层聚类中心,并引入局部搜索过程,优化聚类中心结果;输入其它训练样本,确定网络权值.仿真结果表明,与常规RBF网络学习方法比较,在隐层节点数目相同情况下,改进的方法有效地确定了网络的聚类中心,达到更好的预测精度.     

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.     

基于周期项方法选择的季节性时序预测

根据每个单步预测序列各自具有的特征,通过周期项重构把多步预测转化为单步预测,提出一种预测方法选择策略。为每个单步预测序列选择一个最合适的预测方法,利用选择的方法建模预测周期项,结合灰色预测模型对趋势项的预测值,建立季节性时间序列整体预测模型。实验结果表明,该模型能克服周期项多步预测的缺点,具有较高的预测精度。     

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。     

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.     

短时公交客流的弦不变量预测方法

短时公交客流预测是智能公交系统动态调度的基础.文中根据短时公交客流数据特性,提出基于弦理论的短时公交客流预测方法,模拟弦结构建立弦不变量客流预测模型(SI-PFPM),并采用遗传算法优化SI-PFPM中各参数.提出基于动态时间弯曲距离的仿射传播(AP)聚类算法,对短时公交客流时间序列进行聚类分析.利用SI-PFPM预测聚类子集数据,并分析预测残差,验证SI-PFPM可以预测短时公交客流的假设成立.最后将SI-PFPM的预测性能与现有方法进行对比分析,验证SI-PFPM对短时公交客流预测的有效性.     

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.     

基于互信息的分步式输入变量选择多元序列预测研究

针对多元序列分析中存在的输入变量选择问题,提出一种基于k-!近邻互信息估计的分步式变量选择算法. 该算法通过两步过程分别实现相关变量的选择与弱相关变量的剔除. 同时将分步变量选择算法应用于径向基函数(Radial basis function, RBF) 神经网络结构的优化中.在K均值聚类的基础上,通过分析隐含层神经元的输出权值与神经网络输出的相关性, 对隐含层节点进行选择,改进网络的结构与性能. Friedman数据的仿真实验验证了分步变量选择算法的有效性; Gas furnace多元时间序列以及Boston housing数据的仿真结果表明, 优化后的RBF网络能够在保证模型精度的基础上有效控制网络规模.     

基于灰色理论的网络搜索频度数据分析

数据分析是将描述性的、诊断性的、预测性的和规定性的模型用于数据，来回答特定的问题或发现新的见解的过程。本文以百度搜索指数为平台，以“三门峡职业技术学院”为搜索关键词，利用网络爬虫软件截取2012-2017年6年中的百度热词周搜索点击次数，通过灰色预测模型分析得出年度对应时间周的周搜索次数预测方程，经与一元线性回归模型预测值对比后判决预测方程合理有效，预判出以后2个年度的关键词搜索次数。最后通过数据图表分析“三门峡职业技术学院”作为百度搜索关键词有着显著的时间特征：一是总搜索次数每年呈递增趋势，二是在一年内的各周峰谷值有着明显的起伏规律，结合百度指数平台对关键词的周期搜索分布进行分析，提出相应的应对方法。     

An Efficient Stochastic Search for Bayesian Variable Selection with High-Dimensional Correlated Predictors

We present a Bayesian variable selection method for the setting in which the number of independent variables or predictors in a particular dataset is much larger than the available sample size. While most of the existing methods allow some degree of correlations among predictors but do not consider these correlations for variable selection, our method accounts for correlations among the predictors in variable selection. Our correlation-based stochastic search (CBS) method, the hybrid-CBS algorithm, extends a popular search algorithm for high-dimensional data, the stochastic search variable selection (SSVS) method. Similar to SSVS, we search the space of all possible models using variable addition, deletion or swap moves. However, our moves through the model space are designed to accommodate correlations among the variables. We describe our approach for continuous, binary, ordinal, and count outcome data. The impact of choices of prior distributions and hyperparameters is assessed in simulation studies. We also examined the performance of variable selection and prediction as the correlation structure of the predictors varies. We found that the hybrid-CBS resulted in lower prediction errors and identified better the true outcome associated predictors than SSVS when predictors were moderately to highly correlated. We illustrate the method on data from a proteomic profiling study of melanoma, a type of skin cancer.     

基于异常序列剔除的多变量时间序列结构化预测

针对传统多变量时间序列预测方法未考虑变量间依赖关系从而影响预测效果的问题,提出了一种基于异常序列剔除的多变量时间序列预测算法.该算法旨在利用多维支持向量回归机（Multi-dimensional support vector regression,M-SVR）内在的结构化输出特性,对选取到具有相似性的多个变量序列进行联合预测.首先,对已知序列进行基于模糊熵的层次聚类,实现对相似序列的初步划分;其次,求出类中所有序列的主曲线,根据序列到主曲线的距离计算各个序列的异常因子,从而进一步剔除聚类结果中的异常序列;最后,将选取到的相似变量序列作为输入,利用M-SVR进行预测.通过理论分析,证明本文算法在理论上存在信息损失上界与可靠度下界,从而说明本文算法的合理性与可行性.采用混沌时间序列数据与多个实际数据集进行对比实验,结果表明,与现有多个代表性方法相比,本文算法可有效挖掘多变量时间序列的内在结构信息,预测精度更高,数值稳定性更好.     

Agglomerative independent variable group analysis

Independent variable group analysis (IVGA) is a method for grouping dependent variables together while keeping mutually independent or weakly dependent variables in separate groups. In this paper two variants of an agglomerative method for learning a hierarchy of IVGA groupings are presented. The method resembles hierarchical clustering, but the choice of clusters to merge is based on variational Bayesian model comparison. This is approximately equivalent to using a distance measure based on a model-based approximation of mutual information between groups of variables. The approach also allows determining optimal cutoff points for the hierarchy. The method is demonstrated to find sensible groupings of variables that can be used for feature selection and ease construction of a predictive model.     

基于回归系数的变量筛选方法用于近红外光谱分析

提出了一种基于回归系数的变量逐步筛选方法。对光谱中各变量计算其回归系数后,按其绝对值由大到小将相应变量排列,采用PLS交互检验按前向选择法逐步选择最佳变量子集。用该方法对玉米和柴油近红外光谱数据进行分析,对玉米蛋白质、柴油十六烷值和粘度分别选择出了14、12以及30个最佳变量用于建模,所得预测结果均优于全谱变量建模的预测结果。可见本方法是一种有效实用的近红外光谱变量选择方法。     

Sparse Bayesian Variable Selection with Correlation Prior for Forecasting Macroeconomic Variable using Highly Correlated Predictors

In this paper, we propose an integrated sparse Bayesian variable selection in regressions with a large number of possibly highly correlated macroeconomic predictors. The variable selection is performed through the stochastic search variable selection technique. We assign a sparse prior distribution on the regression parameters and a correlation prior distribution for the binary vector. The performance of the proposed variable selection method is illustrated in forecasting one major macroeconomic time series of the US economy. Empirical results show that in terms of absolute forecast error and log predictive likelihood, our proposed method performs better than other three methods.     

Variable selection in model-based clustering: A general variable role modeling

The currently available variable selection procedures in model-based clustering assume that the irrelevant clustering variables are all independent or are all linked with the relevant clustering variables. A more versatile variable selection model is proposed, taking into account three possible roles for each variable: The relevant clustering variables, the irrelevant clustering variables dependent on a part of the relevant clustering variables and the irrelevant clustering variables totally independent of all the relevant variables. A model selection criterion and a variable selection algorithm are derived for this new variable role modeling. The model identifiability and the consistency of the variable selection criterion are also established. Numerical experiments highlight the interest of this new modeling.     

Pattern‐Similarity‐Based Model for Time Series Prediction

This research proposes a pattern/shape‐similarity‐based clustering approach for time series prediction. This article uses single hidden Markov model (HMM) for clustering and combines it with soft computing techniques (fuzzy inference system/artificial neural network) for the prediction of time series. Instead of using distance function as an index of similarity, here shape/pattern of the sequence is used as the similarity index for clustering, which overcomes few of the shortcomings associated with distance‐based clustering approaches. Underlying hidden properties of time series are captured with the help of HMM. The prediction method used here exploits the pattern identification prowess of the HMM for cluster selection and the generalization and nonlinear modeling capabilities of soft computing methods to predict the output of the system. To see the validity of the proposed method in the real‐life scenario, it is tested on four different time series. The first is a benchmark Mackey–Glass time series, which is tested for delay parameters τ = 17 and τ = 30. The remaining time series are monthly sunspot data time series, Laser data time series and the last is Lorenz attractor time series. Simulation results show that the proposed method provide a better prediction performance in comparison with the existing methods.