基于小波分解的AR-SVR一类非平稳时间序列预测

本文提出了一种基于小波分解的均值具有趋向性的非平稳时间序列预测方法。方法首先利用具有平移不变性的小波分解,分离非平稳时间序列中的长期趋势和高频信息(短期行为),然后对高频信息构建自回归AR模型,而对于趋势则利用支撑向量回归(SVR)进行拟合,最后将各模型的预测结果进行叠加,从而得到原始序列的预测值。这样保证了充分拟合长期趋势的同时,避免了短期行为造成的过拟合。最后的实验结果表明本文提出的这类非平稳时间序列预测方法是有效的。

基于自适应增量集成学习的非平稳金融时间序列预测

金融市场对于社会经济的发展非常重要,因此金融时间序列预测(Financial time series prediction,FTSP)一直是人们研究的焦点。至今,许多基于统计分析和软计算的方法被提出以解决FTSP问题,其中大多数方法将金融时间序列(Financial time series,FTS)视为或转化为平稳序列进行处理。但是,由于绝大部分FTS是非平稳的,因此这些方法通常存在伪回归或预测性能不佳等问题。本文提出了一种自适应增量集成学习(Self-adaptive incremental ensemble learning,SIEL)算法,用于解决非平稳金融时间序列预测(Non-stationary FTSP,NS-FTSP)问题。SIEL算法的主要思想是为每个非平稳金融时间序列(Non-stationary FTS,NS-FTS)子集增量地训练一个基模型,然后使用自适应加权规则将各基模型组合起来。SIEL算法的重点在于数据权重和基模型权重的更新:数据权重基于当前集成模型在最新数据集上的性能进行更新,其目的不是为了数据采样,而是为了权衡误差;基模型权重基于其所处环境进行自适应更新,且基模型在越新环境下的性能应具有越高的权重。此外,针对NS-FTS的特征,SIEL算法提出了一种能协调新旧知识以及应对环境重演的策略。最后,给出了SIEL算法在3个NS-FTS数据集上的实验结果,并将其与已有算法进行了对比。实验结果表明,SIEL算法能很好地解决NS-FTSP问题。

组合小波分析与神经网络的船舶缆绳载荷预测

为实现船舶缆绳载荷短期高精度预测,提出一种将小波多尺度分解重构法与BP神经网络组合建模的预测算法。该组合算法利用小波多尺度分解重构法对非平稳的船舶缆绳载荷序列进行分解重构计算,将非平稳的原始缆绳载荷序列转化为多层较平稳缆绳载荷序列分量,再利用BP神经网络预测算法对各层分量建立预测模型,以实现短期预测计算。仿真结果表明:该组合算法实现了缆绳载荷的短期高精度预测,具有较强的细分与自学习能力,能够满足工程中对缆绳载荷预测精度的需要。

基于小波神经网络的船舶缆绳载荷预测方法

在船舶缆绳载荷准确预测的研究中,由于船舶缆绳载荷不仅受到风、流、浪等环境因素的影响,还受到船舶的船型、受风面积、吃水大小等因素的共同影响,因此具有较强的随机性和复杂性,是一种非平稳的时间序列,传统的神经网络预测模型在进行负荷预测过程中,无法处理这种非平稳信号导致很难进行准确测量。提出一种基于小波神经网络的船舶缆绳载荷预测方法,算法结合小波分析的时频局部特性与聚焦特性和神经网络的自学习、自适应和推广能力,将小波基函数作为神经网络的隐含层节点的传递函数,建立小波神经网络预测模型,以船舶缆绳的采集数据作为模型的输入与输出,利用小波函数处理非平稳信号的能量,解决缆绳负荷的非线性问题,凭借神经网络小区域计算能力,对预测结果进行进一步优化。仿真结果表明,小波神经网络用于船舶缆绳载荷数据处理,精度满足要求,具有良好的适用性。

我国体育院校发展的预测模型建立

以体育院校的模糊综合评价指标值为对象,应用趋势外推预测模型、指数平滑预测模型、非平稳时间序列预测模型三种重要的预测方法,对我国体育院校的发展状况建模,对预测模型进行精确性检验,认为组合预测模型能推断我国体育院校发展的未来走势。