基于DFP的二阶Volterra模型及其对Rossler混沌序列的预测

为克服最小二乘法或归一化最小二乘法在二阶Volterra建模时参数选择不当引起的问题,在最小二乘法基础上,应用一种基于后验误差假设的可变收敛因子技术,构建了一种基于Davidon-Fletcher-Powell算法的二阶Volterra模型(DFPSOVF).给出参数估计中自相关逆矩阵估计的递归更新公式,并对其正定性、有界性和τ(n)的作用进行了研究.将DFPSOVF模型应用于Rssler混沌序列的单步预测,仿真结果表明其能够保证算法的稳定性和收敛性,不存在最小二乘法和归一化最小二乘法的发散问题.

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。

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.

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。

基于灰色理论的采动围岩变形混沌时序预测

为实现地下矿山岩体开挖后的变形预测,及时评价围岩稳定性。本文基于监测围岩变形的时间序列,采用G-P算法确定了时间序列重构相空间的最佳嵌入维数和时间延迟,通过对时间序列的相空间重构,分析了其最邻近相点的动态演化规律,并结合灰色预测理论对围岩变形时间序列进行了预测。结果表明,围岩变形时间序列的最佳嵌入维数和时间延迟均为3,最邻近相点平均距离越大,围岩变形的混沌特征越明显,其内在动力系统越复杂,采用灰色理论可以实现对采动围岩变形量的短期精确预测,基于最邻近相点和变形预测结果,可以对围岩稳定状态进行识别,为地下矿山开采过程中围岩稳定性评价提供新的思路。

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。

基于支持向量回归模型的混沌系统多步预测

混沌时间序列具有不可预测性和类随机性等特性,会导致混沌时间序列的多步预测及其困难。文章探讨了基于支持向量回归模型的混沌时间序列递归多步预测理论及应用。首先,介绍了支持向量回归模型和混沌时间序列递归多步预测理论;然后,将该理论分别应用于Logistic Map和太阳黑子混沌时间序列,并进行实证分析。结果表明,受累积误差的影响,预测步数越多,均方误差和归一化均方误差均越大,而R 2越小。Logistic Map递归可预测步数大概是14步,太阳黑子递归可预测步数大概是6步;最后,对后续的研究工作提出了几点思考意见。

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。

高嵌入维混沌负荷序列预测方法研究

现有的采用欧氏距离确定相空间最邻近点的混沌预测方法对高维混沌时间序列预测的效果不太理想,因而提出以关联度代替欧氏距离来确定相空间最邻近点的思想,同时发展了一种改善高嵌入维重构空间全局Lyapunov指数谱性状的方法。通过对短期电力负荷序列的预测,验证了当嵌入维数逐渐增大时,所提方法比现有的方法在预测精度方面有明显的提高。

基于混沌时间序列的负荷预测及其关键问题分析

通过对混沌时间序列进行分析,找出了运用它进行电力系统负荷预测的关键因素:“取舍规则”、嵌入维数和延时的选取。笔者还建立了一种“取舍规则”,并运用它进行了实例分析,结果表明基于该“取舍规则”进行负荷预测的效果良好。

混沌时间序列局域线性预测方法

在许多场合下，时间序列中的明显随机性可能是由于非线性确定性系统中混沌行为的缘故．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测，然而，利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间，接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题，并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ，Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明，这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论，有利于在实际中选择合适的预测模型．

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。

基于混沌特性分析的风速序列混合预测方法

为提高风速时间序列的预测性能,针对具有混沌特性的风速时间序列提出一种混合预测方法。通过分析风速时间序列的动力学特性,求解风速时间序列蕴含的最佳不稳定周期轨道,将前一最佳不稳定周期轨道附近的值作为当前预测结果,从而得到基于混沌不稳定周期轨道的预测结果。另外,将混沌算子网络应用于风速时间序列预测分析中,通过调节网络参数改变预测网络的动力学特性,从而实现风速时间序列预测分析。将这两种具有不同机理的预测方法通过优化融合指标函数的方式实现预测结果融合,从而实现风速时间序列的混合预测。仿真结果表明,混合预测方法能够进一步提高风速时间序列的预测性能。

混沌时间序列预测的局域法在边坡变形分析中的应用

边坡作为一个复杂系统,其本身的各种参量是不确定的和随机的,在其演化过程中,表现出复杂的非线性行为,发生一系列的混沌现象。本文运用现代混沌理论,对边坡变形的预测问题进行探索性研究,把混沌时间序列理论引入到边坡工程研究中,对该理论的建立及预测方法进行系统地讨论,为该领域的研究提供完整的技术方法。通过对新滩滑坡的研究结果表明,混沌时间序列方法对混沌序列的预测较线性时间序列具有较高的精度。

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法,并以股价时间序列为样本,比较了几种常用核函数的预测能力,实验表明高斯核的预测能力明显好于其它核.使用遗传算法优化了高斯核支持向量机的参数,优化后其预测能力较经验定参方法有明显提高,且好于传统的预测方法.

流域降雨径流时间序列的混沌识别及其预测研究进展

混沌和随机在本质上是两种不同的特征,对这两种特征的描述方法各不相同,确定流域降雨径流时间序列的混沌性和随机性是对其进行模拟和预测的重要基础。近10多年来,许多学者相继开展了流域降雨径流时间序列的混沌识别及其预测研究。着重回顾其中最为重要的相空间重构、混沌识别和混沌预测方法,对将混沌理论应用于降雨径流时间序列的限制条件(序列的数据量大小和数据噪声)也进行了探讨。

矿井涌水量混沌时间序列分析与预测

矿井地下水系统是个非线性系统,由于地下水系统的复杂性,很难完全确定影响矿井涌水量的因素,因此传统的矿井涌水预测表现出较大的局限性。而混沌时间序列分析能够利用单变量处理方法,分析矿井地下水系统中,由于多因素耦合作用所产生的矿井涌水量时间序列。通过对某矿区1985年9月至2005年2月矿井涌水量时间序列资料的分析,显示矿井涌水量时间序列具有混沌特征;通过对比预测值和实测值,表明预测精度高。因此,混沌时间序列分析方法用于矿井涌水量预测是可行的。

基于混沌时间序列GA-VNN模型的超短期风功率多步预测

随着风电在电力系统中的渗透水平不断提高,能准确、可靠地进行风功率预测至关重要。为提高风功率超短期预测精度,利用风功率时间序列的混沌特性,推导分析了Volterra泛函模型和3层前馈(back propagation,BP)神经网络在结构上的一致性,提出混沌时间序列遗传算法-Volterra神经网络(genetic algorithm-Volterra neural network,GA-VNN)模型,对超短期风功率进行多步预测。该模型将实用的Volterra泛函模型和BP神经网络结合起来,解决了求解Volterra泛函模型高阶核函数的问题。同时设计了一种混沌时间序列GA-VNN模型的学习算法,在算法中利用GA全局寻优能力来优化BP神经网络,获得最优的初始权值和阀值。将上述方法应用于某风电场风功率超短期多步预测中,结果验证了所提模型的多步预测性能明显优于Volterra预测滤波器和BP神经网络。

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。

PSO优化BP神经网络的混沌时间序列预测

针对于BP神经网络预测模型,收敛速度慢,精度较低,容易陷入局部极小值等缺点,提出了一种改进粒子群优化BP神经网络预测模型的算法。在该算法中,粒子群采用改进自适应惯性权重和改进自适应加速因子优化BP神经网络预测模型的初始权值和阈值,然后训练BP神经网络预测模型并预测。将该算法应用到几个典型的混沌时间序列预测。实验结果表明,该算法明显提高BP神经网络预测模型的收敛速度和预测模型的精度,减少陷入局部极小的可能。