基于不稳定时间序列分析的设备备件需求预测方法

针对设备备件需求具有的非平稳性、多样性特征,提出一种基于集合经验模态分解(EEMD)和支持向量回归(SVR)的需求预测方法。首先运用EEMD将需求序列分解为一系列相对平稳的本征模函数(IMF),然后对各IMF分量采用基于RBF核函数的支持向量机进行非线性回归,同时针对不同分量的预测模型采用遗传算法进行核参数优化,最后将各分量的预测结果合成为实际时间序列的预测值。实验数据表明:该方法能有效降低备件需求的不稳定性对预测结果造成的影响,对小样本、非平稳时间序列的预测问题,与通用的预测方法相比具有较高的预测精度。

壳模型湍流时间序列长度的概率分布

将Gledzer-Ohkitani-Yamada模型中的阵发混沌时间序列划分为不稳定周期部分的时间序列和阵发部分的时间序列,分别研究了各个壳的2类时间序列长度概率分布的特点.概率分布基本统计量的结果表明,惯性区各壳的概率分布随壳数振荡变化;而耗散区各壳的概率分布几乎相同,随着可调参数δ的增大,各壳的概率分布显著偏离高斯分布,这可能是速度结构函数相对标度指数对于K41标度律偏离的隐性原因.