城市道路雨水口泄流的水力特性分析

近年来,城市内涝灾害频发,提高市政排水设施的排水能力是缓解城市内涝的最有效措施.道路雨水口是地表径流与地下雨水管网之间的连接点,其泄流效率是决定市政排水系统排水能力的关键指标.以道路雨水口为研究对象,结合对雨水口类型和构造特点、雨水口泄流过程、雨水口设计思路和明渠流水力分析,推导雨水口泄流量的理论计算公式.该公式说明雨...     

基于小波分析的经济数据预测

针对最小二乘法的非正常数据对其系数影响大,从而影响整个模型拟合的程度不足,用小波分析对经济数据进行预处理,再用最小二乘法对预处理的数据进行拟合与预测.实例表明,采用该方法得到的结果优于直接用最小二乘法得到的结果.此方法还可以推广到其他经济领域中,例如证券交易和股票预测等.     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

基于灰关联分析的多元线性回归模型在中长期水文预报中的应用

采用灰色系统理论中的关联分析方法,对影响径流的各个因素进行分析,挑选出影响径流的主要因子,建立径流与主要影响因子之间的多元线性回归预测模型.通过实例证明,该方法简单可行,预测精度较高.     

基于自动机模型数据关联性能评估算法

提出了一种基于自动机理论的性能评估方法,通过在有限自动机模型中增加描述观测的时间序列,来扩展其对数据关联过程的表达能力;使用时序有限自动机模型来描述关联处理算法的模型;使用带时间属性的字符串表示目标航迹。对数据关联的时序有限自动机模型进行一致性和可达性分析,并在此基础上给出了性能评估算法。实验结果证明该方法可以有效地评价关联算法的性能。     

水文时间序列多时间尺度分析的小波变换法

以长江宜昌站近100年（1890～1987）年平均流量过程为例，利用Marr小波和Morlet小波变换对水文序列的多时间尺度演变特性进行了分析，研究结果表明，其年际及年代际时间尺度在时间域中分布很不均匀，具有明显的局部化特征，小波变换法分析了水文水资源系统多时间尺度是优越的。     

基于时间序列模型的计算机解耦控制(Ⅰ)

本文基于现代时间序列分析方法，在多维ＣＡＲＭＡ系统辨识的基础上，推导出多维ＣＡＲＭＡ系统的Ｐ规范与Ｖ规范的对象描述形式，以及它们之间的转换算式．     

基于时间序列模型的计算机解耦控制(Ⅱ)

基于现代时间序列分析方法,在多维ＣＡＲＭＡ系统辨识的基础上,采用对角阵法,推导出多维ＣＡＲＭＡ系统的一般解耦算式;设计了Ｐ规范前馈解耦网络,用Ｃ语言编制了计算机解耦程序,经计算机实例仿真,解耦效果理想．     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

基于时间序列模型的计算机解耦控制（II）

基于现代时间序列分析方法,在多维ＣＡＲＭＡ系统辨识的基础上,采用对角阵法,推导出多维ＣＡＲＭＡ系统的一般解耦算式;设计了Ｐ规范前馈解耦网络,用Ｃ语言编制了计算机解耦程序,经计算机实例仿真,解耦效果理想。     

基于ARIMA时间序列的广州空气质量分析

本文选取广州11个空气质量观测点2013年4月10日至2013年11月1日的空气观测数据,利用ARIMA时间序列的方法对其进行研究和分析。在此基础上,根据实际报道的情况验证了结果具有较广泛的适用性,对空气质量进行相应的解读。     

基于多维时间序列分析的网络异常检测

针对实际网络异常检测要求高检测率、低误报率的问题,提出了一种基于多维时间序列的检测方法。首先,通过对实际网络流量进行长期观测,提取多维特征对网络流量进行描述;然后,利用时间序列分析方法对多维特征进行预测,计算预测值与真实值的时间序列偏离度,并且实时更新偏离度,适应多变的网络环境;最后,利用支持向量机（SVM）算法对偏离度向量进行分类判别,判断是否发生异常。目前该方法已应用于校园网关键服务器的实时监测与防护工作中,实际服务器流量的预测、告警结果表明,该方法可以有效检测网络中的异常流量。     

基于时间序列分析的无为县降水量预测模型的研究

以无为县为研究区域,利用1957~2016年降水量资料,采用时间序列分析的方法,研究了降水量预测模型。结果表明,无为县年降水量随机性强,相关性弱,采用5年叠加的方法增强序列的相关性,得到了平稳的新序列,对新序列选用ARMA(1,2)模型拟合,精度较高,拟合效果良好,利用该模型对未来的值进行预测,发现无为县5年叠加降水量自2017年至2019年处于下降通道。     

基于DWT的水文序列复杂性分析

在对流域出口断面实测年径流序列和年降雨序列进行离散小波变换(DWT)的基础上,利用信息量系数(ICF)和赫斯特(Hurst)系数2种不同的指标,分别定量描述了2种指标下水文序列的复杂性.结果表明,年降雨序列的复杂性均大于实测年径流序列的复杂性.     

基于SPA的水文预测模型评估

为了对水文预测模型的可靠性和有效程度进行评定和检验,引入集对分析(Set Pair Analysis,SPA)方法,从同、异、反3个方面刻画预测模型的误差分布情况,利用联系度描述水文预测模型的预测精度,从而建立基于集对分析的水文预测模型评估方法。通过对水文预测中的TR模型和线性模型与实测系列之间联系度的对比,对2个模型的拟合结果和预测效果进行评价,结果表明,TR模型优于线性模型。与其他水文预测模型评估方法相比,集对评估方法具有评价信息全面、计算简便和实用的特点。     

基于灰色关联分析的系统优势分析

灰色系统关联分析法实质上是关联系数的分析。先是求各个方案与由最佳指标组成的理想方案的联系数，由关联系数得到关联度，再按关联度的大小进行排序、分析，得出结论。该方法真有原理简单、易于掌握、计算简便、排序明确、对数据分布类型及变量之间的相关类型无特殊要求等特点，具有极大的实际应用价值。     

基于多目标优化的大型项目任务分配模型

大型项目任务分配问题的多目标、多变量、多约束、大组合等特点,使得任务分配费时、费力.文中分别以利润最大且延期较短和无延期且利润最大为目标,利用时间序列分析方法,将贪婪算法和多目标优化问题相结合,建立两个基于多目标优化的大型项目任务分配模型.利用两个模型分别确定某大型项目的任务分配方案,仿真结果表明:两个模型和算法均最大限度降低了大型项目任务分配问题的时间复杂度,有效地解决了任务分配费时、费力这一问题.     

多变量时间序列滑动窗口异常点的检测

针对多变量时间序列(MTS)的异常点的探测问题,提出了采用由粗到细的二次探测方案.基于滑动窗口数据的置信区间,构造了变化趋势值特征和相对变化趋势值特征分别用于二次探测,同时研究了特征的快速提取算法.通过对OPEN3000数据监测系统采集的事故发生前后某市城南变电站各设备表的数据集进行异常点探测,结果表明提出的算法能够快速准确地探测出异常点的位置.     

基于最小二乘支持向量机算法的测量数据时序异常检测方法

将最小二乘支持向量机方法引入火电厂DCS的测量数据时序异常检测领域,该方法很好地建立了火电厂DCS的测量数据时序预测模型,具有预测真实值能力强、全局优化及泛化性好等优点。将该方法应用于某600 MW超临界火电机组DCS测量数据中,经过训练后的LS-SVM模型对再热蒸汽温度数据的检验样本进行不良值检测与真实值预测,均方根误差和平均相对误差分别为0.067%和0.050%,均方根误差是BP网络模型、RBF网络模型的8.756%和8.272%,平均相对误差是BP网络模型、RBF网络模型的7.541%和7.236%。应用结果表明,最小二乘支持向量机方法优于多层BP与RBF神经网络法,能很好地满足异常检测与真实值预测要求。     

基于多粒度周期模式的时序离群点检测算法

目前研究时间序列离群点检测方法大都没有考虑到数据本身的周期性,有的只能处理名词性属性. 针对实值性属性的时序数据,提出了多粒度周期模式的发现算法,该算法基于不同的时间间隔粒度来探测不同的周期模式, 并利用得到的周期模式来发现那些偏离周期模式的离群点. 该方法可有效避免将正常数据误报为异常值. 通过实验验证了该算法既可正确找出数据在不同粒度下的周期模式,又可有效探测时序数据中的异常值,并与不用周期模式发现的离群点检测算法比较,减少了对特殊事件的离群点误报.