基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.

空中交通流时间序列平稳性和非线性检验

为应用非线性理论对空中交通流量进行实时分析和短期预测提供合理性判据,研究了空中交通流量时间序列的平稳性和非线性检验方法。首先,选取三亚4号扇区40 d的数据,以15 min为统计间隔,构建交通流量时间序列;接着采用基于自相关图的定性方法以及基于ADF(augmented Dickey-Fuller test)和PP(Phillips-Perron)检验的定量方法分析所构建时间序列的平稳性;然后利用替代数据法研究时间序列的非线性;最后分析时序长度、时间延迟和统计尺度等对非线性的影响。结果显示:时间序列的自相关系数呈快速下降、趋近于0的趋势,且时序数据生成过程不存在单位根,说明时间序列平稳;以三阶时间逆不对称性、三阶自相关和三阶自协方差为检验统计量,拒绝零假设3,说明时间序列具有非线性成分,且该成分源自系统自身动力学过程;长时序往往体现出较为稳定的非线性,短时序往往体现不出非线性;时间延迟对三阶时间逆不对称性统计量影响较大,对其他统计量影响较小;30 min尺度的流量时序更适用于三亚4号扇区流量的短期预测。

非线性时间序列建模的混合GARCH方法

在文献[1]的基础上,首次提出混合广义自回归条件异方差(MixtureGeneralizedAutoregressiveConditionalHeteroscedasticModel简记MGARCH)模型;给出并证明了MGARCH模型的一阶平稳性的充分必要条件及二阶平稳性的充分条件;给出该模型参数估计的EM算法;利用BIC定阶准则对MGARCH模型的各成份进行定阶;计算结果表明该模型对金融非线性时间序列中存在的变异率现象具有较强的描述能力,有广阔的应用前景。

基于ACF非线性趋势特征的时间序列聚类

在时间序列挖掘工作中,比如聚类和分类,需要计算距离来衡量时间序列样本之间的相似性,有许多研究都致力于时间序列相似性度量的研究.充分利用非线性趋势特征来进行时间序列挖掘.首先计算时间序列的ACF,进而构造ACF的非线性趋势特征,利用该特征作为时间序列相似性度量来进行聚类,它给时间序列平稳性的判定提供了一种新的途径.列举了一个模拟数据和一个实际数据来进行实例验证,实验结果表明,ACF非线性趋势特征作为一种新的相似性度量,相对已有的一些相似性度量而言,ACF非线性趋势特征通常只需计算少量的若干特征值就能更合理地刻画时间序列的平稳性特征.借助K-means进行聚类实验.

一种非线性自适应混沌时间序列预测方法

基函数线性叠加的混沌时间序列预测算法不具有动态特性和明确的物理意义。改进的策略使用与混沌序列的非高斯特性相联系的函数作为基函数,使其能解释为表征混沌序列的高阶统计特性。同时,在算法中引入非线性反馈环节,使其具有了动态特性。数值仿真表明,以之为基础的自适应预测算法在一步预测性能和长期预测能力方面都优于常用的线性预测方法和已有的自适应预测算法。

面向非平稳时间序列的因果关系发现算法

针对传统因果关系算法不能分析非平稳时间序列和可变时滞时间序列数据因果关系的问题,本文提出一种基于分段聚合近似可变时滞转移熵(PAAVL-TE)的因果关系算法。利用分段聚合近似法对时间序列进行转换,提取时间序列的特征信息,运用动态时间弯曲距离寻找相似程度最高的时间序列计算可变时滞时间序列的转移熵,实现了非平稳时间序列的因果分析。通过计算机仿真模拟实验将提出的算法与存在的算法相比较,证实算法有效性。将该算法用于北京市昌平区PM 2.5浓度和气象数据分析,表明本文算法具有广泛的应用性。

基于非平稳时间序列分析的滑坡变形预测

滑坡的位移监测资料通常可用来预测滑坡的变形发展趋势,位移的发展反映了滑坡的变形过程。为了预测在现有条件持续情况下的滑坡变形趋势,将滑坡位移监测数据视为非平稳时间序列,应用时间序列分析方法,建立了滑坡变形趋势的预测模型。以三峡库区秭归县白水河滑坡为例,通过对变形预警区监测点位移实测时间序列的分析,取监测点ZG93和XD-04为代表,建立了时间序列预测模型,从第17个月开始向前做6步预测,分析预测曲线与实测曲线之间的关系,并计算预测误差,结果显示除个别数据点之外,预测误差均在±9%以内,曲线吻合较好,说明所建模型效果良好,从而为判断白水河滑坡未来的变形发展趋势提供了可靠的理论依据。

基于小波变换和AR-LSSVM的非平稳时间序列预测

提出一种基于二进正交小波变换和AR-LSSVM方法的非平稳时间序列预测方案.首先利用Mallat算法对非平稳时间序列进行分解和重构,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型,对低频信息则用最小二乘支持向量机进行拟合;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.研究结果表明,该方法不仅能充分拟合低频信息,而且可避免对高频信息的过拟合.

基于ARMA模型的经济非平稳时间序列的预测分析

时间序列分析方法是经济领域研究的主要工具之一 ,它用合适的模型描述历史数据随时间变化的规律 ,并预测经济变量值 .而 ARMA模型是适用于任何序列的发展形态的一种高级预测方法 ,它描述时间序列的动态性和发展变化规律 .文中通过 ARMA模型分析时间序列的随机性和平稳性 ,以一种商品月度销售额具体分析 ,用 sas软件检验模型的可行性 ,并预测应用 .结果表明 ,模拟值和真实值接近 ,在实际应用中预测值的准确对于指导商家的战略决策起重要作用 .

基于非平稳时间序列处理的雷达信号融合

本文提出一种基于非平稳时间序列处理的雷达信号融合方法,该方法利用时间序列对非平稳的目标雷达散射回波信号在频域进行建模预测,然后利用去卷积与子空间分析技术对两个子带雷达信号进行处理,最后融合成一个等效的宽带信号。仿真试验表明,本文所提出的方法可以提高目标成像分辨率,有利于目标的检测与识别。

基于双树复小波变换的非平稳时间序列去趋势波动分析方法

多重分形去趋势波动分析是研究非平稳时间序列非均匀性和奇异性的有效工具,针对该方法中趋势项难以确定的问题,提出一种基于双树复小波变换的方法,实现了非平稳信号的多重分形自适应去趋势波动分析.利用双树复小波变换提取信号的多尺度趋势和波动信息,通过小波系数的希尔伯特变换确定每个时间尺度不重叠子区间的长度,使多重分形分析具有信号自适应性及较高的计算效率.以具有解析形式分形特征的倍增级联信号和分数布朗运动时间序列为例验证本文方法的有效性,所得结果与解析解相吻合.与传统的多项式去趋势多重分形方法相比,本文方法根据信号自身特点自适应地确定信号的趋势和不重叠等长度子区间长度,所得结果更加精确.对倍增级联信号时间序列取不同的长度,验证了算法的稳定性.分别与基于极大重叠离散小波变换和离散小波变换多重分形方法进行比较,表明本文方法具有更精确的结果和更快的运算速度.

时间序列非平稳检测方法的对比分析

对比分析了检测时间序列是否平稳的两种方法:一种是基于简单的统计方法检测时间序列非平稳性的run-test(简称RT)方法(考虑了3种典型方法:均值RT、方差RT和标准差RT),另一种是利用动力非平稳检测的图示方法(space time-index,STI)。通过分析人工生成的已知平稳性的时间序列和实际湍流时间序列,对比了两种方法在时间序列非平稳检测上各自的优劣:RT方法简单、高效,但精确度低;STI方法精确度高,但复杂、低效。同时,分析了3种不同的RT方法对不同类型时间序列的平稳性检测能力,表明方差RT方法最适用于湍流时间序列非平稳性检测。

滑坡时间预报的非平稳时间序列方法研究

本文基于边坡变形破坏的特点，对位移观测数据进行统计分析，利用非平稳时间序列理论就位移观测值建立模型进而作出预报。通过实例验证，该理论方法在边坡变形破坏时间预报中是有效可行的。

一种基于超统计理论的非平稳时间序列异常点检测方法研究

从非平稳时间序列的分布函数及其参数入手,主要研究分布函数不变分布参数变化的这一类非平稳的时间序列异常点检测方法,提出了基于超统计的异常检测方法,并将其应用于非平稳网络流量时间序列。从网络流量的非平稳和突发性特点出发,特别考虑到由于攻击流量所引起的流量特性的变化,结合超统计理论,主要研究分布参量的变化。根据超统计的理论,先应建立分布统计模型,研究分布模型不同参数变化对分布的决定性作用,从而将异常网络流量的检测研究转化成对慢变量参数序列的检测研究。该检测方法大大降低了计算的复杂度。通过大量实验表明该方法具有良好的效果。

小波变换在非平稳水文时间序列分析中的初步应用

阐述了小波变换的原理和小波系数同信号奇异性之间的关系 ,以此为基础 ,检验非平稳水文时间序列的变异性态 ,识别突变与缓变发生的位置、类别 。

多元非平稳时间序列分析的滑坡变形预测研究

目前滑坡变形预测的时间序列模型为单变量模型,仅考虑时间-位移关系,未能考虑诱发因素对滑坡位移的影响,因此,建立多变量的时间序列模型十分必要。应用多元非平稳时间序列分析方法,建立了滑坡变形趋势的误差修正模型(ECM),实现了滑坡诱发因素和位移动态变化的综合分析。以三峡库区秭归县白水河滑坡为例,取监测点ZG93为代表,建立了基于多元时间序列分析的误差修正预测模型,并计算预测误差,结果显示,除个别数据点之外,预测误差均在±2.3%以内。

基于小波变换和均生函数周期外推组合模式的非平稳时间序列分析与长期预测

提出了利用小波变换和均生函数周期外推组合模式进行时间序列长期预测的方法.基于小波多分辨率分析理论,非平稳时间序列被分解为多个相对简单的准周期信号,信号的趋势项、周期项和随机项被分离出来.然后采用均生函数周期外推预报模式对这些准周期信号进行预报,此方法能有效的提高预报长度,并能获得较高的建模及预报精度.仿真采用两个典型实例进行验证,结果表明了方法的正确性和有效性.

大型PPP项目平稳演化风险非线性回归测度模型及实证分析

运用非线性回归计量方法研究大型PPP项目风险受宏观环境、微观环境、主体能力及合作关系等多种因素影响而平稳演化的规律。首先,通过案例分析找出大型PPP项目风险演化的主要驱动变量;其次,构建风险非线性回归计量模型并将其变形、简化为线性回归模型;最后,结合实例对模型参数进行估计和检验。通过研究发现,无突变因素情况下,项目风险与影响变量之间存在稳定均衡的非线性关系,宏观环境对风险变化的影响最为显著。

企业市场化、对外开放与中国经济增长——基于非平稳面板时间序列数据的经验分析

始于1978年的中国的经济体制改革极大地释放了中国的潜在生产力,促进了经济的持续快速增长。本文基于我国分省市面板数据(Panel Data),运用面板单位根和面板协整等非平稳面板时间序列数据分析方法对我国的经济体制改革在经济发展中的作用进行了实证研究,研究发现中国的企业市场化和对外开放进程促进了经济增长,改革开放以来的经济体制改革通过提高生产效率在中国经济发展中扮演了及其重要的作用。