一种周期时间序列的预测算法

时间序列分析作为现代数据分析处理的有效方法之一,目前广泛地应用于商业、金融、证券、电信等领域,由于人们生活及消费模式的自然规律性,时间序列往往呈现出明显的周期变化趋势。论文依据移动通信网管测量数据,提出了一种针对周期时间序列的线性预测算法——自循环算法,实验表明预测精度高于传统的线性预测分析方法。     

时间序列相似性分析方法研究

在经典的时间序列相似分析方法基础上,论文讨论了一些有代表性的现代时间序列相似性分析方法,对其基本思想加以分析和提炼,总结了这些方法的优缺点,为时间序列分析研究提供了较为完整的成果概览。     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。     

数据挖掘中适用于分类的时序数据特征提取方法

特征提取在提高分类的准确性中起着非常关键的作用.对时序特征提取的方法进行归纳分类,将有利于对特征提取整体性,全面性的认识.回顾现有的时间序列中特征提取的方法,将其总结为四大类,它们分别是基于基本统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形维数的特征提取.针对每一类的特征提取方法,进一步研究了它相应的分类方法和它在时间序列数据中的应用邻域.     

基于PSO-LSSVM模型的基坑变形时间序列预测

现场量测获得的基坑变形资料蕴含了系统内部力学演化信息.针对基坑变形影响因素的复杂性、监测数据的高度非线性以及人工神经网络方法的过学习问题,利用粒子群(PSO)算法优选最小二乘支持向量机(LSSVM)参数,并结合相空间重构理论进行数据预处理,提出了一种基于PSO-LSSVM模型的基坑变形时间序列预测方法.利用该方法建立基坑变形预测模型应用于动态设计和信息化施工,对保证基坑安全具有重要意义.将该方法用于昆明某基坑工程的深层水平位移预测,不断利用基坑前期工况的最新实测数据建模,对后期工况变形量进行滚动预测, 获得了令人满意的效果.     

短记忆性时间序列的建模分析及预测

AR模型作为时间序列模型的一种,由于其参数估计和定阶简单而广泛用于系统辨识.在多维AR序列的最小二乘建模的基础上,结合Kalman滤波算法,推导了应用Kalman滤波技术的多维AR序列参数估计方法.该算法无需保存历史数据,可对AR模型的估计参数进行实时的修正.在确定AR模型阶数时,提出了两步F检验法.选取上证某A股收益序列作为样本,利用时间序列相关性分析对该算法的有效性进行验证;对时间序列的RMSE和MAD指标进行比较,结果表明该算法大大减少了建模过程中的计算工作量,并具有较好的预测性.     

基于时间序列的校园网流量预测研究

网络流量预测能有效地提高网络管理的工作效率和网络带宽的利用率。本文在校园网实际应用环境中,利用时间序列模型对收集到的实际网络流量数据进行预测,并通过实验证明该预测方法具有一定实用性。     

基于异时间窗划分的时间序列聚类

针对相同时间窗对时间序列进行子序列划分的缺点,提出一种异时间窗的子序列划分方法。为解决划分得到的子序列长度不同,而使用动态时间弯曲算法进行子序列相似性度量的计算速度慢的问题,给出一种不规则时间序列距离度量算法。对异时间窗的子序列划分方法和不规则时间序列距离度量算法进行了实验,结果证明了二者的优越性。     

RPAA：一种基于时间特性的时间序列建模表示

滑动聚集平均近似PAA（Piecewise Aggregate Approximation）是一种表示时间序列的方法，它通过时间序列上滑动一个等宽的滑动窗口将时间序列分成小的区段。考虑到时间序列的时间特性q-不同区段的影响，本文提出了一种改进表示RPAA（Reversed Piecewise Aggregate Approximation）。RPAA表示对处于不同时间段的序列赋以不同的影响因子，具有线性时间复杂度，并且证明了RPAA满足下界定理，因而能够进行实际的查询。最后的实验表明该表示是有效的。     

时间序列理论在电信行业预测决策系统中的应用

文章介绍了时间序列理论的各个模块算法和流程概况,以及该理论在电信行业预测决策系统中的应用情况,实践证明,时间序列理论作为一种数据挖掘工具,可以较为准确地预测数据未来发展趋势,为企业的经营决策提供帮助。     

Transporting Deformations of Face Emotions in the Shape Spaces: A Comparison of Different Approaches

Studying the changes of shape is a common concern in many scientific fields. We address here two problems: (1) quantifying the deformation between two given shapes and (2) transporting this deformation to morph a third shape. These operations can be done with or without point correspondence, depending on the availability of a surface matching algorithm, and on the type of mathematical procedure adopted. In computer vision, the re-targeting of emotions mapped on faces is a common application. We contrast here four different methods used for transporting the deformation toward a target once it was estimated upon the matching of two shapes. These methods come from very different fields such as computational anatomy, computer vision and biology. We used the large diffeomorphic deformation metric mapping and thin plate spline, in order to estimate deformations in a deformational trajectory of a human face experiencing different emotions. Then we use naive transport (NT), linear shift (LS), direct transport (DT) and fanning scheme (FS) to transport the estimated deformations toward four alien faces constituted by 240 homologous points and identifying a triangulation structure of 416 triangles. We used both local and global criteria for evaluating the performance of the 4 methods, e.g., the maintenance of the original deformation. We found DT, LS and FS very effective in recovering the original deformation while NT fails under several aspects in transporting the shape change. As the best method may differ depending on the application, we recommend carefully testing different methods in order to choose the best one for any specific application.

     

基于时序关联规则的商品需求预测

为了满足商品销售企业对商品需求预测的需求,提出一种时序关联规则挖掘算法。利用企业商品销售数据与客户相关的特点,提出客户模式数据模型,针对该数据模型,给出时序关联规则挖掘算法。利用该算法对超市销售数据进行时序关联规则挖掘,得到了正确的结果,验证了其在实际应用中的有效性。     

四种通视性分析方法与实验比较

对于计算威胁区通视性的四种方法进行了分析与实验比较。所谓通视性分析（Ｖｉｓｉｂｉｌｉｔｙａｎａｌｙｓｉｓ）就是分析在三维空间中观察者发现目标的概率。通视性分析是飞行航路规划的基础,对于选择一条安全的航路具有重要意义。通视性分析的主要任务是找出使飞行器能够躲避给定的观察者,如雷达站、空中预警飞机和拦截飞机等区域。在这些区域中,飞行器具有最小被发现概率。选择那些使飞行器具有最小被发现概率的航路,可以大大增强飞行器的生存概率。文中讨论了四种通视性方法即点到区域法、快速点到三角形法、次快速点到三角形法、消隐法,并进行了实验比较。     

A Potential-Field Approach to Financial Time Series Modelling

We present a new approach to the problem of time series modelling that captures the invariant distribution of time series data within the model. This is particularly relevant in modelling economic and financial time series, such as oil prices, that exhibit clustering around a few preferred market modes. We propose a potential function approach which determines the function that governs the underlying time series process. This approach extends naturally to modelling multivariate time series. We show how to estimate the potential function for dimensions one and higher and use it to model statistically the evolution of the time series. An illustration of the procedure shows that testing the resulting model against historical data of oil prices captures the essential price behavior remarkably well. The model allows the generation of copies of the observed time series as well as providing better predictions by reducing uncertainty about the future behavior of the time series.     

基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用

训练样本在数量级上的差别和分配的不均匀会导致网络收敛缓慢,且训练结果偏向样本比重较大的那一方。由AR模型在水文时间序列的较好应用可知,水文时间序列中趋势项占有绝对优势。因此以趋势辨识理论对样本进行规范化,使样本规范化到同一数量级,同时时间序列的趋势保持不变。此外输出层不经过非线性处理,以保证网络有更大的预报空间。经黑河流域实测流量资料验证,基于趋势辨识理论的神经网络在水文时间序列预报中训练速度较快,预报效果较好。     

一类时间序列预报的双层引导变量模型

讨论了一类时间序列的预报问题，提出相应的双层引导变量模型及其辨识方法。通过应用实例，说明效果是良好的。     

A Multistrategy Approach to Classifier Learning from Time Series

We present an approach to inductive concept learning using multiple models for time series. Our objective is to improve the efficiency and accuracy of concept learning by decomposing learning tasks that admit multiple types of learning architectures and mixture estimation methods. The decomposition method adapts attribute subset selection and constructive induction (cluster definition) to define new subproblems. To these problem definitions, we can apply metric-based model selection to select from a database of learning components, thereby producing a specification for supervised learning using a mixture model. We report positive learning results using temporal artificial neural networks (ANNs), on a synthetic, multiattribute learning problem and on a real-world time series monitoring application.     

P2P网络中考虑交易时间间隔的信任管理模型

针对P2P网络中交易的信任度量和推荐链问题,提出一个考虑交易时间间隔的信任管理模型。模型在基于声誉的信任管理模型的基础上对信任度的度量给出了一种以时间间隔为主要因子的计算方法,同时在推荐链的筛选方面采用变进制数作为权重值。理论分析表明,该模型能够对P2P网络中不良行为起到很好的遏制作用,也体现了交易的时效性,可以用来提高信任度量的准确性和动态适应能力。     

A Multi-resolution Approximation for Time Series

Neural Processing Letters - Time series is a common and well-known way for describing temporal data. However, most of the state-of-the-art techniques for analysing time series have focused on...