时间序列预测的研究与实现

目前人们对经济上的时间序列预测越来越感兴趣。例如在股票交易中,人们希望从历史的交易数据中预测出未来一段时间里股票的走势,更好地指导投资者进行投资。本文在分析时间序列预测相关概念的基础上,研究了两种预测算法即移动平均法和指数平滑法的基本思想及实现方法,并结合实例阐述了它们的具体应用。     

基于时间序列分析的销售市场的预测研究

时间序列预测分析利用科学的方法和手段,对未来一定时期内的市场需求、发展趋势和营销影响因素的变化做出判断,为营销决策服务。本文使用Excel的软件提供的定量预测功能和时间序列预测法,可以很好地辅助销售市场预测分析。     

基于神经网络模型的时间序列预测算法及其应用

提出了一种神经网络模型的时间序列直接多步预测算法。网络的学习采用具有遗忘因子的ＢＰ算法与时差方法相结合的混合算法，解决了经典ＢＰ算法在直接多步预测中不能渐进计算的问题，同时网络具备一定的结构学习能力。采用该算法对现场采集的高炉铁水含硅量时间序列数据进行预报实验，表明本文提出的直接多步预测方法是可行的。     

基于隐马尔科夫模型的时空序列预测方法

提出了一种基于时空密度聚类的隐马尔科夫模型对时空序列进行预测的方法。时空序列与一般的时间序列相比,最主要的特征是其时空依赖性以及时空非平稳性。针对如何有效地预测不同尺度分布的时空序列的问题,本文采用基于时空密度聚类的隐马尔科夫模型,该模型不仅能分析时空序列在时间和空间上的相关性,而且可以通过时空序列的分段有效地去除噪声,提高模型预测的精度。本文采用该模型对药品冷藏库中的时空序列温度数据进行分析预测,并与其他预测模型比较,结果显示本文提出的方法更准确有效。     

基于时间序列的趋势性分析及其预测算法研究

文章通过时间序列分析研究,提出了基于时间序列的趋势性分析3类算法和随机性分析12类预测算法,以该算法实现的数据挖掘系统,经实际应用后其效果很好。因此,该算法在国民经济应用领域中具有较高的理论和实用价值。     

改进时间序列模型在降雨量预测中的应用研究

在降雨量预测问题的研究中,降雨量多种相互影响的自然因素结果.针对准确预测降雨量和降雨变化律率,根据变化是一种具有非平稳性、时变特征,传统预测方法无法反映降雨量的非平稳性和时变规律,预测结果精度低.为了提高降雨量的预测精度,提出一种小波变换和时间序列预测模型( ARIMA)相结合的降雨量预测方法.首先对降雨量原始数据进行归一化处理,然后采用小波变换将非平稳性数据处理成平稳性数据,最后采用能够进行时间序列分析的ARIMA模型对平稳后的降雨量进行学习,建立最优降雨量预测模型,并对实际降雨量进行仿真测试.仿真结果表明,改进方法的降雨量预测精度比传统预测方法要高,能够很好的反映降雨量的变化规律,为降雨量预测提供了一种新的预测途径.     

基于AR_SVR模型的时间序列预测算法的研究

掌握农产品未来价格变化趋势,有利于正确引导农业生产,提出一种基于自回归与支持向量回归(auto regressive and support vector regression,AR_SVR)模型的非平稳时间序列预测方法.首先,利用AR模型对非平稳时间序列进行季节差分和差分,使其具有平稳性,然后给平稳序列定阶,最后用SVR模型拟合平稳序列,回推得出原始序列的预测值.实验结果表明,AR_SVR模型预测值与真实值很接近,具有较好的预测效果.     

用近邻算法预测通信量时间序列

为了对通信系统进行有效的调控,需要对通信量进行预测,而通信量具有在不同日期遵循不同规律的特点。本文采用基于实例的近邻算法进行时间序列预测,并在考虑动态长度序列、序列特征提取和近似样例的选取上做出改进,取得很好的效果。将近邻预测算法应用到广东省电话网智能管理系统(GTNIMS)中,能够为路由求解提供快速、准确的预测话务量,为更精确的求解创造了条件。     

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。     

隐马尔可夫模型的道路拥堵时间预测

道路车辆拥堵问题导致交通事故增加,降低了居民的出行效率,长时间的道路拥堵更是加重了环境污染,造成国家经济损失等诸多问题。为缓解城市道路交通的拥堵问题,提高出行效率,基于隐马尔可夫模型,针对已有道路拥堵时间数据进行采集与建模,并对该隐马尔可夫模型进行训练,通过算法计算与分析,预测未来一段时间的道路拥堵情况,为人们的出行提供拥堵时间预测,而后提出不同时段通过道路用时最短的最优路径。对韦尔奇算法进行改进,在原算法基础上增加考虑前n时刻状态。利用改进型韦尔奇算法,使得训练集参数更精确,达到预测精度更高的目的。实验结果表明,预测数据结果与真实数据相比,误差不超过3%,该模型预测结果具有较高准确性。     

非线性混沌时序预测研究及应用

混沌是一种普遍存在的非线性动力学行为，针对混沌时间序列的难以预测和控制的问题，提出了基于趋势的混沌预测模型，利用混沌系统的初值、参数敏感性来微调和控制系统扰动。并用改进的最优化方法来估计模型的参数，在其相空间中对时序的未来值进行预测，算例表明。选取最佳的模型阶数能增加预测的准确程度，它不仅克服了仅用延迟嵌入技术的弊端，也降低了直接使用预测误差决定输入模式的盲目性．预测效果比其它时序方法要好．     

基于神经网络的时序预测模型研究

古人云“以史为鉴”,说的是吸取历史的经验教训,对未来的情况做出预判或者改变。生活中,亦是存在相似的利用历史数据对未来变化趋势进行预测分析的时间序列问题。本文就时间序列一类的问题进行研究,探讨如何更好地根据历史统计数据,对未来的变化趋势进行预测分析。本文基于神经网络,以气象观测历史数据作为研究的对象,建立了气温变化时序预测模型。本模型利用大数据相关技术对数据进行特征处理,通过深度神经网络,学习特征数据和标签数据之间复杂的非线性关系,从而实现对气温变化的趋势预测。实验结果表明,相较其他模型,本文的模型能够更好地进行时序预测,同时也证明了神经网络用于气象预测的可行性。     

改进果蝇算法优化CIAO-LSTM网络的时序预测模型

为了提高时间序列的预测精度,提出了一种基于改进果蝇算法优化直连长短期记忆网络的时间序列预测方法。将长短期记忆网络的多个时间步输入与输出进行全连接(CIAO-LSTM,直连长短期记忆网络),增强了对目标系统中线性成分的表征。提出了一种改进的果蝇优化算法(IFOA),通过动态改变果蝇的搜索半径和对适应度函数增加逃脱系数,提高了果蝇优化算法的全局寻优能力和局部收敛速度。使用IFOA优化CIAO-LSTM网络参数并构建预测模型(IFOA_CIAO-LSTM)。实验结果表明,优化后的时序预测方法相比传统的长短期记忆网络泛化能力更强、预测精度更高,对于波动较大的数据可以实现更好的拟合。     

基于小波神经网络的时间序列流数据的研究

利用多分辨分析方法,结合小波分析和神经网络思想构建一种新型的神经网络模型———小波神经网络,解决了传统神经网络中隐层节点数难以确定的问题。通过对股票的预测,说明该方法能有效地提高预测精度,避免了人工神经网络模型的固有缺陷。     

基于自动编码器的时间序列预测混合模型

时间序列预测目前在众多领域有着广泛应用. 如果可以准确估计事件或指标的未来发展, 它可以帮助人们做出重要的决定. 然而对不同时间序列建立模型并准确预测已成为最具挑战的应用之一. 因此, 本文提出了一种新颖的混合多步预测模型, 称为SSA-ConvBiAE. 首先, 通过奇异谱分析(SSA)将原始数据分解为不同的趋势分量. 其次, 设计了新的基于卷积长短期记忆(ConvLSTM)和双向门控循环单元(BiGRU)的自动编码器网络结构. 最后, 将不同的分量分别输入到对应的自动编码器中进行训练和预测并求和预测结果. 为了评价模型的预测性能, 在真实的供水数据集和公开的时间序列数据集上进行了实验, 实验结果表明, 模型的预测结果优于基线方法. 本文已在网站https://github.com/VIMLab-hfut/SSA-ConvBiAE上发布了源代码.     

基于连续密度隐马尔可夫的时间序列分类算法

针对数据挖掘过程中对异常数据检测的准确率较低、分类速度较慢,导致数据分类准确率较低、效率较差的问题,提出基于连续密度隐马尔可夫的时间序列分类算法.构建时间序列变化趋势分割点目标函数,利用贪婪搜索法求解时间序列分段值,提取序列变化趋势特征得到数据主要信息,提升数据分类的准确性;改进帧内特征表达准确性,使用因子分析矩阵高斯...     

基于时序聚类的吹灰预测模型

在大型火电厂烧煤锅炉的运行过程中,受热面的积灰是降低锅炉运行效率和安全性的一个重要原因。目前,主要采用高压空气或者蒸汽把积灰吹掉。吹灰的困难在于确定应该何时吹灰,该文提出一种基于时序聚类的新方法,从经过预处理的锅炉历史数据中抽取出代表吹灰的模式,建立吹灰模型,用来预测吹灰时间。该方法在应用到一个900 MW的超临界锅炉上时,表现出较好的效果。     

融合序列分解与Prophet模型的时序预测

传统时序预测方法其预测过程无法在相同数据集上推出共享模式, 而机器学习方法无法较好地处理非线性和大规模数据集, 并且需要手动设计特征工程. 深度学习方法弥补了传统预测方法需要高计算高人力的弊端, 用自动学习特征工程代替了手动设计特征工程. 但仅使用深度学习的预测方法所作结构假设较少, 通常需要较高的计算资源以及大量的数据来学习得到准确的模型. 针对上述问题, 本文提出通过采用融合t检验的EMD经验模态将序列分为高频分量和低频分量, 对高频分量使用传统STL序列分解方法进一步对数据做处理, 对高频、低频分量分别进行Prophet预测. 实验结果表明, 相较于传统的LSTM以及Prophet预测模型, 经过STL序列分解后的周期数据能够提升模型的整体预测精确度而融合EMD经验模态的Prophet模型则大大提升了训练效率.     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...