时间序列神经网络预测方法

本文从信息论的角度出发,讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题,并在此基础上提出3种时间序列神经网络预测方法,它们是:神经网络非线性时间序列模型、神经网络多维时间序列模型和神经网络组合预测模型,将上述模型应用于实例的结果表明,在非线性信息的处理能力和预测精度方面都有很大提高。进一步,对今后智能信息预测方法的发展方向进行了探讨,提出了智能信息预测系统的结构模型。     

基于混沌时间序列和神经网络的网络流量预测方法

网络流量时间序列具有复杂的非线性和不确定性特征,故提出以相空间重构理论与递归神经网络相结合的网络流量预测方法。以相空间重构理论确定最佳延迟时间和最小嵌入雏数,重构网络流量时间序列。将重构后的时间序列运用递归神经网络来训练,得到合适的模型,并用于网络节点中网络流量的预测。将该方法应用于实际数据预测,其结果与传统的时间序列预测方法结果相比较,提高了预测精度和稳定性,证明了该预测模型和方法在实际时间序列预测领域的有效性和实用性。     

基于聚类分析和神经网络的时间序列预测方法

文章提出了一种组合聚类分析和神经网络的预测方法。聚类分析将大的数据集聚类划分为几类小的数据集，这样在每一类中，数据的相似度比较高，然后再分类训练相应的模型，最后做预测。建立加入聚类分析的径向基神经网络模型，用金融时间序列做试验，并跟径向基神经网络模型进行比较。试验结果表明．加入聚类分析的径向基神经网络模型提高了连续预测的趋势准确率，降低了时间代价，并减小了模型的复杂度。     

基于Elman神经网络的风速时间序列预测实例

风速时间序列具有非线性和非平稳性的特点,传统的预测方法难以建立风速间的函数关系,因此风速时间序列的预测结果精度不高。人工神经网络所具有的强非线性拟合能力有效地解决了风速时间序列难以预测的痛点,文章选择Elman神经网络预测全国3个地区不同尺度的风速时间序列,初步探讨了神经网络风速预测的可行性。结果表明,Elman神经网络经过训练,具有时序非线性拟合的能力,但预测结果精度尚未提高。     

基于人工免疫RBF神经网络的时间序列预测方法研究

研究了一种基于免疫识别原理的径向基函数神经网络学习算法,该算法将所识别的数据作为抗原,抗体为抗原的压缩映射并作为神经网络模型的隐层中心,采用最小二乘法确定权值,提高了RBF神经网络收敛速度和精度.将人工免疫RBF神经网络应用于时间序列预测中,实例仿真结果证明了算法的有效性和可行性,为时间序列预测提供了一种新途径.     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

神经网络时间序列预测及其工程应用

本文基于时间序列分析的方法针对船用捷联陀螺的具体特性提出了一种神经网络时间序列预测建模方法，并对某捷联航姿系统中所用陀螺漂移数据进行了神经网络建模尝试。     

混沌时间序列预测方法

针对混沌时间序列预测问题,深入分析了基于径向基神经网络与基于记忆库两种预测方法,进而应用两种方法分别对Logistic序列、Kent序列进行预测,仿真结果表明:输入节点个数严重影响RBF神经网络预测性能,样本容量的增大与预测精度提高只是在一定范围内呈正比;选取系统的关联维数作为预测阶数时,基于记忆库预测方法的平均预测误差较小,且其预测误差随样本容量的增多而减小.     

神经网络在时间序列预测中的应用研究

介绍了时间序列预测的基本概念、各种模型,分析了基于神经网络的时间序列预测方法,阐述了BP神经网络基本原理,提出了一种基于BP神经网络的时间序列的预测和方法。通过应用实例的分析表明,以此方法得到BP网络应用于非线性时间序列预测是可行的,神经网络方法可以成功地用于分析预测时间序列变量。     

基于神经网络的时间序列动态预测器的调整学习算法

时间序列预测在金融等领域有着广泛的应用,近年来,基于时间网络的时间序列预测器引起了人们极大的研究兴趣,然而,基于神经网络的时间序列预测器经常给出无效的预测值。本文首先从理论上分析了基于神经网络的时间序列预测器给出无效预测值的概率,然后给出基于神经网络的时间序列预测器的调整学习算法（ＲＬＮＮＰ）,采用ＲＬＮＮＰ算法,基于神经网络的时间序列预测器,给过充分训练能够给出时间序列的有铲预测值。     

基于人工鱼群算法和BP神经网络的时间序列预测研究

时间序列的普遍存在性使得对于它的预测有着极为深刻的意义和丰富的内涵。本文研究了时间序列的相关理论和方法,将人工鱼群算法和BP神经网络应用于时间序列预测中,讨论了人工鱼群算法与BP神经网络在时间预测中的优劣,以及其有效性和实用性。     

基于时间序列的流量预测算法综述

随着我国城市化进程的加快,越来越多问题的出现对我国城市的市政系统有了更高的要求,为给相关单位的管控工作与规划提供可靠的依据,提高基于时间序列数据的流量预测的准确性是目前研究的重中之重.本文介绍了基于时间序列流量预测的传统方法以及它们的发展趋势,在此基础上指出了基于LSTM与传统神经网络的组合模型,组合模型作为一组相对比...     

基于回归神经网络的时间序列非线性分析

本文提出了一种基于局部回归神经网络的时间序列非线性预测分析方法，给出了新的非线性模型训练方法，并针对几类常见的时间序列。给出了实验结果。     

基于进化RBF神经网络的非平稳时间序列分析

针对非线性时间序列中的非平稳数据,本文结合差分平稳化和分阶遗传训练的方法,提出一种新的进化RBF神经网络结构及其学习算法。算例仿真结果显示,该算法在处理非平稳时间序列问题时具有一定的优越性。     

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于残差预测修正的局部在线时间序列预测方法

 对于复杂的非线性和非平稳时间序列预测,基本的支持向量回归(Support Vecotr Regression,SVR)在线算法无法有效兼顾执行效率和预测精度.本文首先采用局部SVR进行时间序列建模预测,同步计算在线更新序列数据预测的残差,并采用Online SVR对残差序列进行混沌时间序列预测,将预测残差值实时补偿到局部SVR模型预测输出.实验结果表明,新方法在执行效率和预测精度方面较单一Online SVR均显著提高.     

基于广义径向基函数神经网络的非线性时间序列预测器

该文对传统的径向基函数(RBF)神经网络的结构和学习算法进行了总结,并在此基础上提出了广义径向基函数模型概念,使这种网络具有更好的应用灵活性与可扩充性。文章基于Mackey-Glass造血模型方程的数值解数据,对此广义模型与现有的RBF模型和梯度径向基函数(GRBF)模型对非线性时间序列预测问题的应用结果进行了比较与讨论,显示出这种广义模型的应用有效性。     

基于混沌时间序列的BP神经网络电力负荷预测

在混沌时间序列的基础上,应用BP神经网络对电力负荷进行了预测,并对模型特性进行了分析。理论分析和实例计算均表明该预测模型的精确度较高,适合在电力负荷预报中推广应用。     

时间序列非线性模型的研究

本文提出了几种时间序列非线性模型，对这些模型的结构和训练方法作了分析和讨论，并针对几类常见的时间序列，给出了实验结果。     

基于模糊时间序列的短期电力负荷预测

本文利用时变模糊时间序列模型预测未来一小时的负荷,给出了一种短期电力负荷预测新方法。同时,分析了时变模糊时间序列模型相关参数对预测精度的影响。应用模糊时间序列进行电力负荷预测,克服传统时间序列在建立离散的递推模型时需要准确的数据的缺点,消除了病态数据对模型的影响。应用山东省某电力公司的数据进行仿真研究取得了较好的预测精度。