基于双通道回声状态网络的时间序列补全及单步预测

随着物联网的发展,众多传感器采集到大量具有丰富数据相关性的时间序列,为各种数据挖掘应用提供强大的数据支持。然而,一些客观或主观原因(如设备故障、稀疏感知等)往往会造成采集到的数据出现不同程度的缺失。虽然已有很多方法被提出用于解决这一问题,但这些方法在数据相关性方面或考虑不够全面,或计算成本过高。而且,现有方法仅关注对缺失值的补全,未能兼顾下游应用。针对上述不足,设计了一种兼顾补全与预测任务的双通道回声状态网络。两个通道的网络虽共用输入层,但具有各自的储备池和输出层。两者最大的区别是左/右通道的输出层分别表示输入层前/后一个时刻对应的目标值或预补值。最后将两个通道的估计值进行融合,充分利用来自缺失时刻之前和之后的数据相关性以进一步提升性能。两种缺失现象下(随机缺失和分段缺失)不同缺失率的实验结果表明,所提模型无论是在补全精度还是预测精度上都优于目前流行的各类方法。

基于最大信息挖掘广域学习系统的混沌时间序列预测

为了进一步挖掘混沌系统的演化信息,提升预测精度,减少训练时间,提出一种基于最大信息挖掘广域学习系统的混沌时间序列预测模型。为了有效地捕捉混沌系统的线性信息,引入一种改进的漏积分器动态储层,不仅可以获取系统当前状态的信息,而且可以兼顾历史状态信息。通过非线性随机映射将特征映射到增强层从而充分挖掘非线性信息。引入层叠机制促进了动态建模中信息的传播,实现了特征的再激活。在四个大规模数据集上的实验结果表明,提出的方法具有更好的预测精度和更少的计算代价,验证了该方法可以在大规模动态系统建模中获得更好的预测结果。

基于渐进式分解架构的风电时间序列预测

准确预测风电机组各项指标对准确管控机组和调控电网的供需有着重要意义.预测指标任务可抽象为风电时间序列预测任务.目前时间序列预测模型主要采用深度学习模型,但是风电时间序列具有较强的波动性和随机性,导致绝大部分模型不能较好挖掘风电时间序列的复杂演化特性.为解决上述问题,提出了一种基于渐进式分解架构的风电时间序列预测方法,该方法首先应用神经网络池化分解方法将复杂的依赖关系简化并应用注意力机制学习长期趋势,然后运用多变量融合捕捉模块增强了网络整体的多变量关联挖掘能力,最后,融合趋势项和周期项对风电时间序列做出准确的预测.实验结果表明,该方法在风电时间序列的多步预测中均方误差相比基线模型至高可提升24%,在多尺度预测长度下表现出预测性能稳定提升的同时,计算效率显著优于同类模型.

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory,LSTM)LSTM预测方法(Chaos-LSTM)。首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的Lyapunov指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入LSTM模型进行时序预测。以北方某特大城市2007—2014年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。Chaos-LSTM模型在预测精度上较LSTM模型有明显提升,平均绝对百分误差(mean absolute percentage error,MAPE)提升度最高可达19.7%,百分比均方根误差(percentage root mean square error,PRMSE)提升度最高为4.19%,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。

采用优化极限学习机的多变量混沌时间序列预测

基于优化极限学习机理论,提出一种多变量混沌时间序列预测方法.该方法利用复合混沌和混沌变尺度算法对极限学习机的模型参数进行搜索和优化,以提高极限学习机的泛化性能;然后利用优化后的极限学习机对Rossler耦合系统的多变量混沌时序进行一步和多步预测,并且与同类算法进行了比较,结果表明了该方法的有效性,且算法具有较强的抗噪能力;最后讨论了预测结果和隐层神经元数目的关系.

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明:即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。

基于极端学习机的多变量混沌时间序列预测

针对多变量混沌时间序列预测问题,提出了一种基于输入变量选择和极端学习机的预测模型.其基本思想是对多变量混沌时间序列进行相空间重构后,采用互信息方法选择与预测输出统计相关最高的重构输入变量,借助极端学习机的通用逼近能力建立多变量混沌时间序列的预测模型.为进一步提高预测精度,采用模型选择算法选择具有最小期望风险的极端学习机预测模型.基于Lorenz,R(o|¨)ssler多变量混沌时间序列及R(o|¨)ssler超混沌时间序列的仿真结果证明所提方法的有效性.

基于多变量混沌时间序列的航班运行风险预测模型

为了提升航班运行风险预测精度,基于某航空公司2016—2018年航班运行风险数据,在验证15个风险时间序列的混沌特性后,构建基于多变量混沌时间序列的风险预测模型.首先,对15个风险时间序列进行多变量相空间重构,采用主成分分析法(PCA)对相空间进行降维处理;然后,基于迭代预测的方式,分别采用极限学习机、RBF神经网络、回声状态网络和Elman神经网络建立风险短期预测模型;最后,以降维后的相空间作为输入,计算并比较分析未来1~7 d的风险预测结果.结果表明:多变量相空间重构后总维数为62维,经PCA降维处理,降至31维;在不同的预测模型中,降维后RBF模型预测效果最佳;其中,预测第1天结果相对误差<25%出现频数为82.62%,至第5天仍达75%以上;该模型第1天预测结果的修正平均绝对百分比误差(MAPE)值为11.32%,且前5 d均低于20%,满足航空公司使用要求.1~5 d预测结果对航班风险管控具有实践操作价值,证明基于多变量混沌时间序列的风险预测方案可行、有效.

短期负荷多变量混沌时间序列正则化回归局域预测方法

为提高短期负荷预测的精度,提出了多变量混沌时间序列正则化回归局域预测方法。选取对负荷影响程度最大的实感温度因素,构建了多变量时间序列。首先采用互信息法和最小预测误差法确定出时间序列延迟和嵌入维数,并依据确定的重构参数进行短期负荷多变量时间序列的相空间重构,针对局域预测法中邻近点个数少而不能满足最小二乘估计条件的问题,提出了基于正则化回归的多变量时间序列混沌局部预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,该方法具有较强的自适应能力和较好的预测效果。

雨衰时间序列的混沌识别与预测

针对传统模型在高频段雨衰预测时存在参数计算复杂、实时性差的问题,设计了一种新的非线性动态预测模型.通过混沌识别证明了雨衰时序具备混沌的动力学特性及采用混沌预测方法的可行性.该方法以雨衰前导数据为训练样本建立非线性自适应滤波器,可忽略不同地理区域降雨分布差异性的影响.仿真结果表明,嵌入维数是影响预测精度的最主要因素,在满足嵌入维数为8、重构时延为3 s、采样间隔为1 s条件时预测相对误差可达0.05以下.同时预测的雨衰时间概率分布与ITU-R模型相比有较好的一致性,验证了所提方法具备参数配置简单、可用度高的优点.

混沌时间序列单变量和多变量重构的预测比较(英文)

提出了多变量混沌时间序列相空间延迟重构中延迟时间间隔和嵌入维数的选取方法 ,给出了多变量混沌时间序列的局部平均预测法 ,局部线性预测法和BP神经网络预测法等 3种非线性预测方法 .通过Lorenz系统的仿真计算表明 ,无论用 3种非线性预测方法中的哪一种 ,多变量混沌时间序列要比单变量混沌时间序列的预测误差小得多 ,即使前者的数据长度只有后者的一半 ,前者的预测误差也要小很多 .

基于优化时谱图神经网络的电力系统多元混沌时间序列预测

电力系统是强耦合、多变量系统,对其多元混沌时间序列预测是当前研究难点。提出了一种基于优化的时谱图神经网络,用于电力系统的混沌预测。利用潜在相关层挖掘多元时间序列之间的相关性,通过序列转换单元将时间序列转换为频域信号并学习其特征,结合多种算法优化模型实现更好的预测效果。试验表明经优化后的时谱图神经网络不仅能对电力系统的多状态变量进行混沌预测,而且比其他参考模型具有更高的预测精度和稳定性。

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型。通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型。

基于时间跨度注意力机制的多变量时间序列预测方法

在深度学习领域中,多变量时间序列预测的关键是充分捕获其长、短期的依赖。通常的做法是使用卷积神经网络(CNN)来提取多变量时间序列的短期依赖。但是目前的大多数方法都仅仅使用了一种尺寸的卷积核来提取短期依赖,这样就只提取到了一种时间跨度的短期依赖,使得序列的短期依赖关系没有被充分学习到。受多尺度特征提取和通道注意力机制的启发,提出了一种基于时间跨度注意力的神经网络(TSANN)方法,通过充分利用短期依赖来提高多变量时间序列预测的准确度。首先,使用一系列不同大小的卷积核来提取不同时间跨度的短期依赖。然后使用时间跨度注意力将这些特征融合起来并送入循环神经网络(RNN),进一步提取长期特征。另外,与其他方法直接将非线性部分和线性部分的输出相加不同,采用了一个权重学习模块来整合非线性部分和线性部分的输出。在四个基准数据集上进行了实验,结果表明TSANN能有效提高多变量时间序列预测的准确度。

混沌时间序列的核自适应滤波预测算法

在实际环境中,混沌时间序列常包含大量的噪声和异常值。由于这些干扰因素,基于二阶相似性度量的核自适应滤波器在混沌时间序列预测中的预测性能显著下降。基于上述问题,提出了一种鲁棒混沌时间序列的核自适应滤波预测算法。所提算法基于广义对数核损失函数的非线性相似性度量,有效地提高了核自适应滤波器在脉冲噪声环境中的鲁棒性,与此同时,该算法采用自适应K-Means采样的稀疏Nyström非线性映射方法,预先固定了算法的网络尺寸,从而降低核自适应滤波算法的计算复杂度。在所提算法中,使用递归更新方式,使算法具备较快的收敛速度。最后对滤波算法进行Mackey-Glass混沌时间序列的预测仿真。仿真结果表明:作为一种新的鲁棒KMeans采样的Nyström递归最小广义对数核损失预测方法,与稀疏化核自适应滤波算法相比,该算法在脉冲噪声中具备更好的鲁棒性;与其他典型鲁棒核自适应滤波预测算法相比,该算法具备更快的收敛速度和更高的滤波精度。

基于最大Lyapunov指数的多变量混沌时间序列预测

参考基于最大Lyapunov指数的单变量混沌时间序列预测方法,提出一种通过选取多个邻近重构向量,预测多变量混沌时间序列的局域法.采用新方法对两个完全不同的Rssler方程的耦合系统,Rssler方程和Hyper Rssler方程的耦合系统的多变量混沌时序进行一步和多步预测,结果表明了该方法的有效性,且算法具有较强的抗噪能力.讨论了参考邻近点数和预测结果的关系.

多变量混沌时间序列局部多项式预测方法及应用(英文)

为了改善混沌时间序列的预测精度,提出了一种新的多变量混沌时间序列的局部多项式预测方法.它首先利用多变量时间序列的相空间重构理论重构相空间,并据此利用多项式函数构造预测模型,该模型根据嵌入维数构造数据矩阵,进行模型的参数估计和计算一步预测值,最后根据平均根统计量推断预测效果.Lorenz系统的模拟仿真和上海综合股价指数的局部预测结果表明:用多变量混沌时间序列局部多项式预测法进行预测的误差小,且比单变量混沌时间序列局部多项式预测法的预测精度高.

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构。该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真。计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强。

以时间序列分析为基准的航站楼安检客流预测

目前在民航旅客流量预测方面,仍存在诸如序列粒度考虑过粗、未涉及到未来一天某个短时段内流量预测等问题。在单一时段内利用安全检查技术开展客流预测工作是交通系统的重要部分。为此,首先针对安检客流时间序列进行相空间重构;其次,使用Wolf方法进行安检客流时间序列混沌性判别;再次,采用BP神经网络预测方法对混沌时间序列进行预测;最后,讨论一天的高峰时间,并将该时段划分为2 min,3 min,5 min,10 min等时间间隔,利用曲线拟合方法对每天的客流趋势进行相似性分析。文中数据来源于北京首都国际机场T3航站楼安检客流数据。实验结果表明,文中方案具有较好的预测性能,在高峰期情况下,以2 min为时间间隔,采用BP神经网络方法能够在短时间内完成人员与资源动态调度。

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想,提出了一种电力短期负荷的多变量时间序列相空间重构方案,同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择,最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度,提出了最近邻域点的优化选择方法,建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比,具有较强的自适应能力和较好的预测效果。