基于加权IMF对时间序列相似匹配

经验模态分解（EMD）算法非常适合非稳定序列信号、非线性序列信号以及复杂信号的分解, 具有很高的噪声比。序列信号经过EMD分解为本征模函数（IMF）以及残差序列, 所分解出来的IMF包含了原序列信号不同时间尺度的局部特征信号, 是整个原序列的“去杂”反映。针对IMF所包含的不同尺度的特征这一特性, 给出用EMD分解原始序列信号, 提取其全部有限个本征模函数和残差序列, 根据不同的IMF所包含原序列的特征信息量的大小引入信息权重w, 然后通过欧氏距离对各个序列不同IMF序列进行相似匹配判定, 最后通过综合各个IMF所占权重综合判定时间序列的相似匹配。实验结果表明, 基于IMF对时间序列相似匹配和直接对原时间序列进行匹配, 前者首先对时间序列进行分解, 去掉其噪声等干扰, 提取出IMF间接进行加权匹配, 提高了时间序列的模式匹配精度, 证明了该方法的有效性。     

基于奇异谱分析的经验模态分解去噪方法

提出了一种基于奇异谱分析(SSA)的经验模态分解(EMD)去噪方法。该方法先对带噪信号进行EMD分解,得到若干个本征模态函数(IMF)。再通过SSA对每个IMF分量进行去噪处理:把第一个IMF分量作为高频噪声,并根据它计算出剩余IMF中所含的噪声能量,从而得到剩下的每个IMF中信号所占的能量比值。然后选择合适的窗口长度,对每个IMF进行SSA变换,根据IMF中信号所占的能量比值选择合适的奇异值分解(SVD)分量重构,得到去噪后的IMF。再将所有重构得到的IMF分量以及余项相加,得到最终去噪后的信号。经过实验,对比研究了该方法与小波软阈值、EMD软阈值和EMD滤波方法的去噪效果,结果表明该方法整体优于其它方法,是一种有效的信号去噪方法。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

基于EEMD-CatBoost的短期电力负荷预测

准确的负荷预测在电力调度、系统可靠性和规划中起着关键作用。针对各种不确定因素造成了电力需求的波动,本文提出了一种基于EEMD-CatBoost的短期负荷预测方法。模型利用集合经验模态分解（EEMD）对非平稳原始序列进行处理,将原始电力负荷数据分解为有限个固有模态函数（Intrinsic Mode Functions,IMF）和一个残差分量,以降低负荷序列的复杂度,再将分解后的各分量分别输入到CatBoost中预测,然后将每个分量的预测值重组,得到最终的负荷预测结果。以某地的实际数据为例,综合比较了该方法与现有电力负荷短期预测技术的性能。与现有基准相比,所提出的方法得到了相当精确的结果。     

基于组合模型的非线性时间序列预测算法

为解决复杂系统中非线性时间序列预测模型构建效率低、预测精度低的问题,提出基于组合模型的HURST-EMD预测算法.采用EMD算法将非线性时间序列分解为代表原始序列特征的各个IMF,然后引入赫斯特(Hurst)指数将同类的IMF整合为新的分量,最后选用LS-SVR-ARIMA模型进行组合预测.在该算法中,设计了序列分类整合等过程,优化了建模的计算量,构建了高效精准的预测模型.为验证模型的有效性,采用上证指数公共数据集和真实交通流数据进行检验,实验结果表明,改进的基于组合模型的HURST-EMD预测算法在提高预测效率的同时具有更好的预测精度.     

基于EEMD-LSTM模型的汇率预测

构建了一种复合网络模型(EEMD-LSTM),该模型将原始数据进行分解再输入到LSTM网络模型中进行序列预测.通过不同模型间的对比分析,该模型的预测效果更好,实现了模型的优化.     

基于EMD的自相似流量Hurst指数估计

针对表征自相似网络流量统计特性的赫斯特(Hurst)指数,讨论一种基于经验模式分解的Hurst指数估计算法。该算法通过对自相似网络流量数据进行自适应分解,得到一组满足指定余项误差的固有模态函数分量,由其能量对数化函数与Hurst指数之间的线性拟合,估计出Hurst指数。实验表明,该算法能对自相似网络流量的Hurst指数进行自适应估计。     

集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。     

Prophet混合模型应用于基站网络流量长期预测

传统网络流量预测方法大多数关注短期预测,而长期预测能够更好地指导基站小区无线设备扩缩容。集合经验模态分解（ensemble empirical mode decomposition,EEMD）能够使非平稳时间序列转化成平稳时间序列,Prophet模型能够准确地对流量序列进行较准确的长期预测,基于以上模型方法的优点和基站小区网络流量的非线性和非平稳性特点,提出一种Prophet混合EEMD的基站小区网络流量预测方法（E-Prophet）。采用EEMD将网络流量序列分解成若干固有模态函数（intrinsic mode functions,IMF）分量和一个残差分量;利用Prophet模型对各分量建模,并将各分量预测结果进行线性组合,得到最终的预测结果。利用实际基站小区网络流量数据对方法进行验证,结果表明：E-Prophet对于网络流量长期预测比Prophet、SARIMA、LSTM以及结合EMD和Prophet的模型具有更高的准确度和鲁棒性。     

基于EMD的仪器稳定度组合预测

为更好地把握仪器的性能变化规律,规避其可能带来的各种风险,将预测理论应用到仪器稳定度预测中,建立了一种基于EMD-SVM的稳定度组合预测模型。首先利用EMD方法对稳定度数据进行分解,然后对分解得到的数据选择一种预测模型进行预测,最后再把所有这些分解数据的预测结果输入到SVM中进行组合预测。通过与移动平均模型、自回归积分滑动平均(ARIMA)模型和线性组合预测模型的预测结果相比较,验证了该方法的有效性。     

基于网络流量半马尔柯夫模型的流量预测

引入了半马尔柯夫模型描述网络流量特性，并在该模型的基础上分析推导了相应的流量预测方法。分别对广域网和局域网不同时间尺度统计的实际流量数据进行分析和短期、长期预测，所有数据的实际预测精确度均小于预先设定的置信度。说明引入的模型能真实反映网络流量特性，基于该模型的流量预测方法具有良好的预测性能且适用于不同长度的预测。     

Empirical mode decomposition on skeletonization pruning

This paper presents a novel skeleton pruning approach based on a 2D empirical mode like decomposition (EMD-like). The EMD algorithm can decompose any nonlinear and non-stationary data into a number of intrinsic mode functions (IMFs). When the object contour is decomposed by empirical mode like decomposition (EMD-like), the IMFs of the object provide a workspace with very good properties for obtaining the object's skeleton. The theoretical properties and the performed experiments demonstrate that the obtained skeletons match to hand-labeled skeletons provided by human subjects. Even in the presence of significant noise and shape variations, cuts and tears, the resulted skeletons have the same topology as the original skeletons. In particular, the proposed approach produces no spurious branches as many existing skeleton pruning methods and moreover, does not displace the skeleton points, which are all centers of maximal disks.     

基于流量特征的网络流量预测研究

传统的非线性模型已经不再适用于网络流量建模,为了能够更精确地对网络流量建模,必须考虑到网络流量的特性。针对网络流量的自相似、长度分布、周期等特征进行分析,结合小波变换与时间序列模型,有效地建立流量预测模型。首先对流量的自相似和平稳性进行分析,并对长度、周期等特征进行描述,其次根据实际流量的自相似性和平稳性选择小波变换与时间序列相结合的方法进行建模,产生预测结果,最后根据长度与周期特征粗略判断预测的合理性。根据实验验证与分析,该方法具有极大的灵活性,相比单一的小波-FARIMA模型可以减少大量的运算,同时能够描述网络流量的短相关与长相关特性。     

基于自适应滤波理论的网络流量线性预测

Internet网络流量的分析、模型仿真以及流量的预测,在网络管理和设计中起着很重要的作用。该文在此方面做了一些工作和尝试,主要有两方面的贡献：（1）在分析和比较了不同模型性能的基础上,提出了CERNET IP backbone的流量模型;（2）将自适应滤波的新思想引入网络流量的模型仿真和预测,提出了自适应网络流量线性预测的新算法。     

网络流量的非线性组合预测模型应用研究

研究网络优化管理问题,网络流量具有趋势性、周期性和非线性,传统预测模型只能反映网络流量变化的片段信息,难以获得高精度的网络流量预测结果。为提高网络流量预测结果,提出一种非线性组合的网络流量预测模型。首先采用单一模型ARIMA、ARMA、GM(1,1)对网络流量各特征进行预测,然后将三种预测结果输入到支持向量机进行融合,得到网络流量的最终预测结果。仿真结果表明,与传统网络流量预测模型相比,改进的非线性组合预测模型能够较好的反映网络流量的复杂变化规律,从而提高了网络流量的预测精度。     

基于组合模型的交通事故严重程度预测方法

由于各个单一分类模型对道路交通事故严重程度预测的局限性,本文致力于建立一种组合模型。本文结合卷积神经网络提取时空维度中的特征信息,采用stacking方式将CNNs与XGBoost组合,最终生成道路交通事故严重性的分类模型（多层提升方法）,实验结果表明,此模型在测试集上预测精度为91.51%,组合模型比单一分类模型具有更好的分类结果。基于组合模型的分类结果,对交通事故特征进行重要性排序,开展特征相关性分析,为减少道路交通事故及减轻道路交通事故严重等级的管理措施提供参考依据。     

基于BEMD的染噪混沌时间序列预测方法

基于经验模态分解(EMD)方法对染噪混沌时间序列进行预测时,模态混叠会降低预测精度和最大可预测时间.针对这一问题,将复数据经验模态分解(BEMD)引入到染噪混沌时间序列的预测,在BEMD过程中以高斯白噪声分解的内禀模态函数(IMF)为基函数来驱动染噪混沌信号的分解,从而减小模态混叠对混沌预测的影响.Lorenz混沌时间序列和Henon混沌时间序列的预测实例表明,本方法相对于EMD方法在预测精度和最大可预测时间上都有一定程度的提高.     

基于经验模式分解与混沌分析的直接多步预测模型

直接多步预测不依靠单步预测的结果而直接使用测量数据, 效果理想, 但往往要求模型能够学习多种不同的目标函数. 本文建立的直接多步预测混合模型, 使用模式分解方法把原始时间序列分解成不同尺度的基本模式分量, 再经混沌分析和神经网络进行组合预测, 减小了各步预测模型之间的差别, 提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 最后, 通过基准时间序列验证了本模型的优越性.