基于加权移动平均的数据流预测模型

提出一种新的基于滑动窗口的预测模型。该模型仅存储当前滑动窗口中的数据并对其进行分析,提高了计算效率;同时,为了削减在较小数据集上回归预测所产生的偏差,提出一种基于加权移动平均的数据流预测算法WMA_LRA。实验采用FDS 4.0模拟一个房屋的火灾发生情况,运用WMA_LRA算法对火灾现场的局部温度进行短期预测,结果表明该算法可以有效地提高计算效率和预测精度。

基于有向图构造的数据流预测算法

数据流的预测技术在金融证券管理、网络监控等应用中具有重要的作用.分析近年来有关数据流预测的技术,并做出总结.提出一种新的数据流预测方法,将输入的数据流构造成有向图数据结构,并随着新数据流的到来对有向图进行维护,从中提取概率矩阵,利用马尔可夫模型进行计算,得出数据流下一时刻可能的到来值.最后通过实验验证其可行性.结论表明,该算法的精度和预测成功率都较高.

基于图拉普拉斯变换和极限学习机的时间序列预测算法

由于时间效率的约束,多元时间序列预测算法往往存在预测准确率不足的问题。对此,提出基于图拉普拉斯变换和极限学习机的时间序列预测算法。基于图拉普拉斯变换对时间序列进行半监督的特征提取,通过散布矩阵将监督特征和无监督特征进行融合。设计在线的极限学习机学习算法,仅需要在线更新网络的输出权重矩阵即可完成神经网络的学习。利用提取的特征在线训练极限学习机,实现对多元时间序列的实时预测。基于多个数据集进行仿真实验,结果表明该算法有效地提高了预测准确率。

一种基于G(1,1)改进模型的WSN流量异常检测方法

提出了一种基于灰系统预测理论的无线传感器网络数据流异常检测方法,并使用组合优化策略进行了改进,用轮转迭代法求得组合优化参数.实验结果表明:经过3次迭代,该方法即可较标准G(1,1)模型降低59.5%的误差,其能耗低于时间序列分析常用算法ARMA.该方法既可以在传感器节点使用,也可以在sink节点使用,具有所需原始数据少、建模快、实时性和适用性强、扩展性好等特点,弥补了传感器网络节点资源受限的不足.