多变量时间序列模糊分割算法在高速公路行车数据中的应用

本文基于Huang提出的道路速度序列,研究了高速公路路段划分问题:选取同一条道路上往返两个方向的行车数据,运用Huang的CTL算法将其转换成道路速度序列;采用Janos Abonyi的多变量时间序列模糊分割算法对由多条道路速度序列组成的多变量时间序列进行模糊分割。分析对高速长途大巴行车数据的实验结果可知,该模糊分割算法可根据车速模糊划分高速公路,从而检测出高速公路中影响车速的关键路段(高速出入口路段、隧道路段、长上下坡等)及其对车速的影响范围。

基于正态信息扩散的新多变量模糊时间序列模型研究

针对目前多变量模糊时间序列研究中小样本问题,文章基于信息扩散技术构建一个多变量模糊时间序列模型,讨论信息扩散系数的变化对模型精度的影响,进而选取2006-2016年人均GDP、能源消费总量的样本数据对中国SO2排放量进行预测,且与马尔可夫模型运行结果进行比较。结果表明:所建模型可以弥补小样本的不足;不同方式确定的信息扩散系数对模型精度存在影响,其中基于两点择近原则确定的h0最优;所建模型的平均绝对误差与平均绝对百分误差率均小于马尔可夫模型,即具有较高的预测精度。

模糊变量时间序列及其应用

为了解决实际研究过程中模糊数据设定不准确的问题,采用模糊数学方法。应用模糊度说明了数据变量模糊化的重要性,给出了模糊变量和模糊变量时间序列的定义,并用计量经济学和数据挖掘例子说明变量模糊化的必要性。结果表明:研究中的很多数据确实具有模糊特性,模糊变量时间序列的应用有利于得到更客观的计量模型及进行时间序列挖掘。模糊变量时间序列的提出对计量经济学和数据挖掘有一定的参考价值。

基于信息分配技术的双变量模糊时间序列模型构建

针对目前信息分配模糊时间序列模型只能研究单变量的局限性,文章构建了一个基于信息分配技术的双变量模糊时间序列预测模型,并探讨模糊区间长度对模型预测精度的影响。以中国的互联网用户渗透率以及实际GDP为例验证模型的有效性,并选取经典马尔可夫模型作为对比模型。结果表明:模糊区间长度对信息分配模型的预测精度有影响,且模糊区间长度减小能提高预测精度。

基于时间序列模糊分割的通信数据分类算法设计

为解决通信数据集不平衡性明显导致分类难度大幅上升的问题,提出一种时间序列模糊分割的分类算法。利用主成分分析法取得特征值最大的特征矢量,根据区间数理论建立数据的时间序列,用数据与类别间的兰氏距离测度函数表征通信数据时间序列的分割目标,依据模糊分类矩阵差值与收敛条件的判定关系,获取模糊分割的分类结果。实验结果表明:本文算法3种分类情况的数据数量始终位于相应的理想水平上,正确性较高,错误性与失效性较低。

金融时间序列的概念表示

时间序列挖掘是数据挖掘技术的重要组成部分,本文针对常用的股票数据库信息,讨论了模糊划分的两种方法及如何对原始数据预处理,如何用云模型产生的语言变量来表示角度序列,如何将数值属性映射为离散的布尔属性表示。

时间序列预测的发展与应用

为了给运载火箭测试数据预测问题的研究打下基础,开辟研究思路,对时间序列预测方法进行研究。介绍了传统时间序列预测方法中的指数平滑法、季节模型和求和回归滑动平均模型的发展,重点阐述了时间序列预测的3类热门研究领域:多变量时间序列模型、模糊时间序列模型和组合预测模型,并通过文献介绍,分析了时间序列预测技术的应用与改进方向。

基于信息颗粒和模糊聚类的时间序列分割

提出了基于信息颗粒和模糊聚类的时间序列分割方法。首先,使用Gath-Geva模糊聚类得到一个带有时间域信息的模糊分割;然后,在此基础上采用信息颗粒使得时间序列的分割具有数据上的同质性;最后,得到既有时间信息又有同质性的时间序列分割。将台湾证券交易所市值加权指数及某地区电力需求量序列作为实验数据,实验结果表明该方法是可行有效的。

多变量时间序列例外模式的识别

多变量时间序列(MTS)在金融、医学、科学、工程等领域是非常普遍的.本文提出一种在 MTS 中识别异常模式的方法.采用自底向上的分割算法将 MTS 分割成互不重叠的子序列,使用扩展的 Frobenius 范数来计算2个MTS 子序列之间的相似性,通过 K-均值聚类将 MTS 子序列分为若干个类.根据异常模式的定义,从这若干个类中识别出异常模式.在2个实际数据集上进行实验,实验结果验证算法的有效性.

基于模糊模型的混沌时间序列预测

对于复杂、病态、非线性动态系统 ,基于模糊集合的模糊模型 ,利用模糊推理规则描述动态系统的特性 ,是一种有效方法 .讨论了利用模糊建模方法实现非线性系统的建模和预测 .首先 ,利用在线模糊竞争学习方法划分输入变量的模糊输入空间 ,然后利用卡尔曼滤波算法估计模糊模型的参数 .采用该方法对Mackey Glass混沌时间序列进行预测试验 ,结果表明利用本方法可以在线或者离线能对Mackey Glass混沌时间序列进行准确预测 。

基于KPCA-GG的火力发电设备状态诊断方法

为了解决具有非线性特征的设备状态诊断问题,提出一种基于核主成分分析和Gath-Geva模糊聚类相结合的多元时序分割算法.根据Gath-Geva模糊聚类算法得到聚类结果,利用核主成分分析算法提取非线性特征,从而构造KPCA分析模型.将聚类类簇在该模型空间中的距离作为类簇相似性分析及合并的标准,以提升方法的分割效果.实验结果表明,基于KPCA的Gath-Geva模糊聚类算法能识别数据的非线性信息,更准确地分析数据特征,其分割效果优于基于主成分分析的聚类算法的分割效果.通过提取的非线性特征对数据进行分割有助于识别设备状态的转换,可用于解决一类具有非线性特点的火力发电设备过程状态诊断问题.