混沌时间序列的双线性自适应预测

基于混沌动力系统相空间的延迟坐标重构和双线性表达式，设计了预测混沌时间序列的双线性自适应预测滤波器．对2种低维混沌序列的预测实验表明，采用双线性自适应滤波器的预测收敛速度快，处理约50个样本时即已收敛，预测相对误差小于0．001．     

混沌时间序列局域零阶预测法性能比较

利用计算机仿真比较了均值、距离加权和指数加权3种混沌局域零阶预测方法的预测精度、抗噪声及多步预测性能．在无噪声或噪声干扰较小时，距离加权预测法的性能最好；当噪声干扰较大时，指数加权预测法预测性能最优．指数加权与均值预测法几乎具有相同的多步预测能力，距离加权预测法的短期预测性能最佳．对于标准的离散混沌时间序列，3种预测方法多步预测误差达到一定值后，不再随预测步长的增加而增加；对于由连续系统抽样得到的混沌时间序列，多步预测误差呈现一定周期性变化．     

变参数混沌时间序列的神经网络滚动预测研究

神经网络适合于全局建模预测,在确定性混沌系统时间序列的预测中获得广泛应用.许多混沌系统由于参数的慢变导致系统的动力学特性不断发生变化,全局预测方法很难适用,为此提出一种具有固定时间窗的神经网络滚动预测算法.对典型变参数Henon和Ikeda混沌时间序列的预测结果说明,该算法具有较好的跟踪预测性能.     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

基于最小最大概率回归的混沌时间序列全局预测

提出了使用最大化最小概率机器回归MPMR方法进行混沌时间序列的全局预测,在分析最大化最小概率机器MPM及用于回归的原理的基础上,MPMR方法被用于Mackey-Glass混沌时间序列多步预测.在对该序列进行1至20步的预测中,MPMR方法较局步加权线性回归方法具有更好的预测效果.核函数形状参数及回归管道宽度ε的选取将直接影响MPMR回归技术的系统性能,试验中我们使用了交叉验证的方法确定这两个参数值.试验证明,核函数形状参数和回归管道宽度取值都为2和3的情况下,预测效果更为理想.     

基于RBF神经网络的混沌时间序列前后向联合预测模型

提出综合利用系统前向预测和后向预测对混沌时间序列进行建模,从物理学原理上解释了该模型相对于前向预测模型和后向预测模型的好处.计算机仿真结果表明:对于时间可逆性较好的混沌系统,前后向联合预测模型的建模性能比前向预测模型好,前向预测模型比后向预测模型预测性能好,但对于时间可逆性差的混沌系统,前后向联合预测模型的建模性能较前向预测模型略差,而后向预测模型比前向预测模型的预测性能差了很多.     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上, 应用BP神经网络对时间序列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.     

基于奇异值分解的混沌时间序列Volterra预测

提出一种用于混沌时间序列预测的奇异值分解Volterra滤波器.在Volterra滤波系数计算过程中,采用奇异值分解的方法得到线性方程组的最小二乘解.4种混沌序列的预测实验表明:该滤波器对混沌流的预测性能远优于NLMS自适应Volterra滤波器,前者的一步预测相对误差比后者小3~4个数量级.     

基于神经网络的混沌时序数据失真检测方法研究

介绍了时序数据的混沌识别方法,并根据混沌时序数据的可预测性,提出了一种基于神经网络的混沌时序数据失真检测方法.通过实例证明该方法能准确地检测出混沌时序数据的失真点,并将其还原.该方法既是检测过程同时也是修复的过程,在数据处理领域有一定的应用前景.     

基于神经网络的混沌时序数据失真检测方法研究

介绍了时序数据的混沌识别方法,并根据混沌时序数据的可预测性,提出了一种基于神经网络的混沌时序数据失真检测方法.通过实例证明该方法能准确地检测出混沌时序数据的失真点,并将其还原.该方法既是检测过程同时也是修复的过程,在数据处理领域有一定的应用前景.     

基于RBF神经网络模型的混沌背景下谐波信号提取

在混沌时间序列前后向联合预测模型的基础上,提出前后向联合迭代预测模型并将之用于混沌背景下谐波信号的提取.对前后向联合迭代预测模型与前向预测模型的仿真实验对比研究表明,在叠加谐波信号幅度和频率不过小的情况下,前后向联合迭代预测模型在连续类混沌背景下的谐波信号提取性能较前向预测模型好,而在离散类混沌背景下的谐波信号提取效果都很差,但仍可用于检测微弱谐波信号.     

利用简化时间序列法预测公共交通客运量

在满足一定的前提下,时间序列法可以用于预测公共交通客运量;预测的计算过程可以采用excel等软件来辅助计算,也可以采用手算。在需要手算的情况下,将时间的年份序列进行简化,能够提高手算速度,有助于使用者更快地完成计算过程、得到同样的预测结果,并能有助于使用者更好地理解时间序列法的应用。     

机电产品价格的预测方法简介

依据历史价格,利用多元回归分析的方法预测机电产品的价格。在预测过程中,针对产品历史价格空缺年度较多的现象,引入价格指数,把产品价格预测的问题转化为对价格指数的预测;在回归分析中,以时间和价格政策作为价格指数的显著性因素。最后,讨论价格指数拟合值的性质。     

利用Fourier级数模型预测具有非季节性周期的时间序列

文中建立时间序列模型与Fourier级数模型的混合预测模型,使模型能够有效地对具有非季节性周期的数据进行预测。结果表明:模型能较好地反映数据的周期性,也有较准确的短期外延预测效果,但模型对奇异值的拟合和预测能力还须提高。