一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

基于加权信息粒化的多标记数据特征选择算法

特征选择能去除不相关和冗余的特征,是解决多标记数据维度灾难的有效工具。现有的多标记特征选择算法没有考虑标记空间存在的相关性,认为每个样本的相关标记的重要性相同,并且忽略了特征空间可能是标记重要性差异形成的内在因素,使得选择的特征不能精确全面地刻画样本且计算过程复杂。为此,本文利用标记间的相关性对标记空间进行划分以简化计算,并定义标记重要性度量和特征权重,在此基础上提出了一种基于加权信息粒化的多标记特征选择算法。通过在真实多标记数据集上的实验对比分析,本文提出的算法在各项评价指标上均优于其他对比算法,验证了算法的有效性和可行性。

信息粒度、信息熵与决策树

对粗信息粒与细信息粒的信息熵做了比较研究,并研究了粗信息粒和细信息粒对决策树产生的影响,得出以下结论:粗信息粒的信息熵不小于细信息粒的信息熵,细信息粒下选取扩展属性产生的决策树优于粗信息粒下选取扩展属性生成的决策树。

基于信息粒化与模糊规则的烧结过程工况感知

铁矿石烧结过程是铁前炉料制备的主要工序。烧结矿的质量对高炉冶炼有直接影响。工况是烧结过程燃烧状态的综合体现,而稳定的工况也是提升烧结矿质量的前提。因此,实现烧结过程工况感知对实际生产具有重要的指导意义。提出一种基于信息粒化与模糊规则的烧结过程工况感知方法,利用皮尔逊相关性分析方法对烧结过程参数进行分析,对工况感知模型输入参数的时间序列数据进行信息粒化,构建模糊规则模型,进而实现烧结过程的工况感知,并基于工业实际运行数据对所提出工况感知模型进行验证。试验结果表明,所构建的工况感知模型能够有效的感知工况,可为烧结过程优化决策提供依据和参考。

图像模糊信息粒的适应性度量及其在边缘检测中的应用

关于模糊信息粒的研究现在已逐渐成为一个新的热点 .本文就依靠模糊信息粒处理图像的有效性问题做了深入的讨论 ,提出了模糊信息粒相对于图像的适应性度量问题 ,并给出了一种度量的定义 ;另外 ,我们将这种度量思想应用到图像的边缘检测中 ,得到了一种新的基于模糊信息粒的边缘检测方法 .该方法有很强的物理背景 ,实验表明它的效果很好 ,是一种实用的。

在记忆过程中额叶与信息粒度的交互作用

采用事件相关的功能磁共振技术(fMRI)研究了记忆与信息粒度的相互关系.实验使用相同的记忆任务-Boolean规则,依据Ebbinghaus范式,要求被试在完全掌握规则后的第1天(短期记忆)和学习训练后的第7天(长期记忆)完成fMRI测试.结果表明,短期记忆任务和长期记忆任务均激活了左侧额下回和额中回,但短期记忆任务相对长期记忆任务激活更多的左侧中央前回和额下小叶、右侧的额上回和额中回,而长期记忆比短期记忆激活了更多的右侧的额下回,这可能与规则中的各个元素之间的聚合程度和记忆的精度有关.因此,额叶对不同信息粒度的规则提取有重要影响.高粒度相对于低粒度的Boolean规则提取需要更短的时间,但是记忆信息提取的正确率不会因高低粒度的不同而表现出差异.虽然信息粒度对长、短期记忆任务的提取的正确率不起决定性作用,但信息粒度作为记忆巩固与否的一种度量标准会对提取时间产生影响;这可能使得规则提取的策略不同,因此,额叶对不同粒度的信息提取起到了至关重要的作用.

基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。

基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究

讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明,多步预测方法可得到风速预测曲线,适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据,能准确分析不同风电场或不同风电机组的机组特性。

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。

基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值;其次应用最小二乘支持向量机对各分量分别建立预测模型,并使用自适应粒子群算法对各分量模型进行优化;最后使用优化后最小二乘支持向量机模型对风电功率波动范围进行预测。实例研究表明,该组合预测模型可以有效跟踪风电功率变化,对风电功率波动范围进行预测。

基于信息粒化理论的主体间任务分配方法

有效的任务分配对于多主体系统通过主体间协作完成其使命任务是非常重要的。基于信息粒化理论提出了一种新的解决方法,任务分配过程包括两个阶段:主体和任务粒化阶段和粒内规划阶段。给出了主体和任务粒化阶段的数学表示和基于遗传算法的求解方法。案例分析和对比试验表明本文的方法具有较好的性能。

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。

一种基于相容信息粒原理的图像分类方法

首先,通过分析研究相容信息粒和相容粒度空间,提出了一种基于相容粒度空间的多层次规则产生方法;其次分析研究多层次图像特征并生成相应的图像特征信息粒,构建了图像相容粒度空间;再次,将相容信息粒的多层次规则产生方法应用于图像相容粒度空间中实现图像的分类;最后对图像数据集进行了测试,并与其他方法进行了对比。测试和对比结果说明了所提出的方法是可行的和有效的。

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.

利用模糊信息粒化与支持向量机的空间负荷预测方法

若直接使用实测负荷数据最大值进行空间负荷预测,则元胞负荷中的异常数据会导致预测结果精度降低,考虑到通过确定并利用元胞负荷合理最大值可以明显改善预测精度,提出一种基于模糊信息粒化与支持向量机的空间负荷预测方法。首先构建电力地理信息系统,并在其中生成2类元胞。其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细,通过划分模糊粒化窗口,建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化,进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值。然后采用支持向量机模型,对粗颗粒度下的Ⅰ类元胞负荷进行预测。最后确定Ⅰ类元胞负荷密度均衡系数,求取分类负荷密度指标,结合用地信息求得各Ⅱ类元胞负荷预测值,从而实现对空间电力负荷预测结果的网格化。工程实例表明了该方法的实用性和有效性。

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。

基于模糊信息粒化的光伏出力区间预测

相对于传统的光伏点预测而言,光伏区间预测可以为电网调度人员提供更加全面、有效的预测信息。鉴于此,文章提出一种基于模糊信息粒化理论的区间预测方法。针对光伏功率原始数据的强波动特性,采用集成经验模态分解方法将其分解为若干个子序列。并依据样本熵理论,将复杂度较高的子序列重组为随机分量,代表光伏输出的波动性,论文对该随机分量进行模糊化处理,从而得出其波动趋势以及波动上、下界,再分别进行预测;而复杂度相对较低的其他子序列代表光伏出力稳定分量,因此,直接对其进行确定性预测。论文采用经过纵横交叉算法改进的人工神经网络(CSO-BP)进行预测,得出最终光伏区间预测结果。

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值 (区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。

基于小波和信息粒化的BP神经网络的轴承故障诊断

通过对圆锥滚子轴承轴向故障振动信号的预处理,得到响应的特征,从而利用BP神经网络进行故障诊断。首先利用一种新的小波消噪算法对监测信号进行预处理,该算法是基于最佳正交小波基的选择,使熵在小波收缩过程中的作用最小;文章重点在于利用模糊信息粒化对消噪后信号进行模糊粒化,从而更好的特征提取;最后将特征向量作为输入,运用BP神经网络进行故障诊断。通过实验故障信号验证了,消噪后的信号能更好地进行特征提取;同时,模糊粒化后能更准确的进行故障诊断。

基于信息粒化和支持向量机的股票价格预测

信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。本文提出了一种基于信息粒化和支持向量机的股票价格预测方法。利用长安汽车的股票数据,建立股票开盘价回归预测模型,该模型克服了传统时间序列模型仅局限于线性系统的情况。应用实例表明:该方法能有效地预测股票价格的变化范围。