基于SVR的非线性时间序列预测方法应用综述

基于支持向量回归(Support Vector Regression,简称SVR)的非线性时间序列预测是智能预测的重要前沿课题,在许多领域有着非常广泛的应用前景。文章介绍了SVR基本理论和方法,从金融、电力、交通、旅游等领域的典型应用对基于SVR的非线性时间序列预测进行了综述,分析了目前SVR在核函数、自由参数选择和输入数据处理方面存在的问题及其在应用领域进一步研究的方向。

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法,对BP模型应用于非线性预测进行了较详细的研究和探讨,应用该方法对经典非线性时序信号进行预测,并与传统预测方法(TAR预测法)效果进行了比较,结果证明神经网络预测方法(ANN预测法)具有十分明显的优势.

面向动作捕捉的非线性时间序列预测方法研究

为研究面向动作捕捉的非线性时间序列预测的方法。通过对人体动作数据进行分析,研究并实现基于动作捕捉数据的预测方法,解决因传感器故障而引起的数据丢失、修正问题。通过模拟实验假设动作序列中某一个传感器发生故障,随后使用8种机器学习方法,利用6种指标进行评估,对比各种方法的预测效果,并将预测后的动作进行可视化。通过实验,随机森林、决策树、最近邻方法对数据的预测准确率能达到90%以上。由此,面向动作捕捉的非线性时间序列预测方法能够准确地还原动作。

一种新的时滞神经网络非线性时间序列预测方法

基于相空间重构的非线性预测思想,建立一个时滞的BP神经网络模型,采用贝叶斯正则化方法提高BP网络的泛化能力,区别于一般的预测方法,非线性预测不仅注重数据拟合和精度改进,而且能够反映被预测系统的非线性特征。将该模型应用于某电子行业进出口贸易非线性时间序列的预测,结果证明改进的模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。并在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数 (RBF)神经网络用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题 ,并用于热电厂热负荷预测。预测结果表明 。

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.

隧道围岩变形的非线性自回归时间序列预测方法研究

针对传统时间序列预测模型的单一线性和忽略施工过程影响的静态局限性,提出非线性自回归(包括NARNN与NARXNN)时间序列预测模型.该模型通过引入动态施工影响因子作为附加的外部输入,同时结合模型本身的反馈结构和延迟单元,在结构和动态特性上更加符合实际系统,可以非线性动态地考虑隧道施工全过程.运用该模型对史家山2号隧道施工过程中的围岩水平收敛和地表变形进行预测.结果表明:1)非线性自回归预测模型比传统的ARMA预测模型的预测精度高、适应性好;2)通过多次预测并对结果取平均值,可以保证非线性自回归预测模型预测结果的预测精度和稳健性;3)通过优化动态施工影响因子的取值方法,可以进一步提高NARXNN时间序列预测模型的预测精度.

经济时间序列的非线性组合建模与预测方法研究

基于模糊系统在紧立集中能够任意逼近非线性连续函数的特性，本文提出了一种基于Ｔａｋａｇｉ—Ｓｕｇｅｎｏ模糊规则基的非线性组合预测新方法，以克服线性组合预测方法在解决非平稳时间序列组合建模问题所遇到的困难和存在的不足，并采用相应的遗传算法确定模糊系统的参数及模糊子集的划分。理论分析和大量的应用实例表明：该方法具有很强的学习与泛化能力，在处理诸如经济时间序列这种具有一定程度不确性的非线性系统的组合建模与预测方面有很好的应用价值．

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。

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果．

非线性时间序列神经网络预测方法的研究及应用

岩土边坡时间序列数据蕴含着边坡系统演化的信息 ,边坡系统在演化过程中既表现出确定性、必然性的一面 ,同时又具有随机性、混沌性、无序性的一面。利用人工神经网络 ,提出了多变量前向网络的多准则学习算法 ;通过一维时序的扩充和延拓 ,计算相空间吸引子维数 ,根据吸引子维数的大小确定神经网络拓扑结构的输入层节点的个数。最后 ,根据实例 ,建立了时间序列预报模型 ,并与传统的预测方法 (灰色模型 )作了比较。

基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法。该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题。又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用。

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法———支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。

ANN非线性时间序列预测模型输入延时τ的确定

用神经网络 (ANN)建立非线性时间序列预测模型时 ,ANN输入数据延时间隔τ的选取是必须考虑的一个方面 .目前关于延时间隔τ选取的流行做法是 :将τ确定为相空间重构时的最佳延时τs.本文提出了与此不同的观点 ,即神经网络输入数据延时间隔τ的选取与τs 无直接关系 .综合考虑其他一些因素 ,认为ANN输入数据延时间隔τ取为 1是最为合理的 .

PSO-RBFNN模型及其在岩土工程非线性时间序列预测中的应用

岩土工程受力变形演化是一个典型的非线性问题,其演化的高度非线性和复杂性,很难用简单的力学、数学模型描述,但可用粒子群优化径向基神经网络对岩土工程应力、位移非线性时间序列进行动态实时预测。网络径向基层的单元数通过均值聚类法确定后,所有其它参数:中心位置、形状参数、网络权值,均通过粒子群优化算法在全局空间优化确定。工程实例应用表明,该模型预测结果准确、精度高,有良好的应用前景。

时间序列的非线性趋势预测及应用综述

针对时间序列趋势预测问题,综述了非线性趋势预测技术以及在金融领域的主要应用,重点介绍了非线性方法中的神经网络、支持向量机和混沌理论的基本原理、算法优缺点及主要改进,并介绍这些理论与遗传算法、小波理论等结合的组合预测方法。认为非线性组合预测是今后时间序列趋势预测的发展方向,最后介绍了非线性趋势预测方法在股票价格走势与变化方向、债券价格、保险公司风险评估以及银行信用风险等方面的应用。

滑动窗口二次自回归模型预测非线性时间序列

提出一种新颖的非线性时间序列预测模型 ,即滑动窗口二次自回归 (MWDAR)模型 .MWDAR模型使用部分的历史数据及其二次项构造自回归模型 .模型参数用线性最小二乘法估计 .应用模型进行预测时 ,预先选定窗口大小以及模型一次项和二次项的阶次 .在每个当前时刻 ,先根据窗口内的数据估计模型参数 ,然后根据输入向量及模型参数做出预测 .这种预测方法不仅适合小数据集的时间序列预测 ,而且对大数据集具有极高的计算效率 .该文分别用H啨ｎｏｎ混沌时间序列数据和真实的股票交易数据作了ＭＷＤＡＲ方法与局域线性化方法的 1步和多步预测对比 ,结果显示MWDAR方法无论在预测精度上 ,还是在计算效率上都优于局域线性化方法 .

用于非线性时间序列预测的POD-RBF神经网络

基于正规正交分解(Proper Orthogonal Decomposition,POD)提出一种适用于非线性时间序列预测的径向基函数(Ra-dial Basis Function,RBF)神经网络模型-POD-RBF神经网络模型.该模型在选取中心时考虑了时间序列数据之间的时序关系,并且使得中心的选取具有并行性.股票价格预测问题的模拟结果表明,POD-RBF神经网络可以有效地用于非线性时间序列预测问题.与基于硬C均值(Hard C-means,HCM)聚类的RBF神经网络(HCM-RBF)和基于正交最小二乘(Orthogonal LestSquare,OLS)的RBF神经网络(OLS-RBF)相比,POD-RBF神经网络不仅具有更好的训练、预测精度,而且具有更好的收敛稳定性、更好的泛化能力和抵抗噪声干扰的能力.

用于低维混沌时间序列预测的一种非线性自适应预测滤波器

在二阶Ｖｏｌｔｅｒｒａ滤波预测器基础上，提出了一种用于低维混沌时间自适应预测的非线性自适应预测器。基于最小均方误差准则导出了一种ＮＬＭＳ类型的自适应算法来实时调整这种非线性滤波预测器的系数。仿真实验结果表明：这种线性化的非线性自适应滤波预测器能够有效地预测低维混沌时间序列，且它的模块化特征更易于ＶＬＳＩ电路实现，具有广泛的工程应用价值。