混沌时间序列

摘要： 针对桥梁的非线性下沉问题,引用了混沌理论,首先求取时间序列的两重构参数时间延迟τ和嵌入维数m进行相空间重构;随后进行混沌特性判别,确定该时间序列存在混沌迹象;最后根据所求参数建立加权零阶局域预计模型和RBF神经网络混沌预计模型对观测数据进行预计分析,并与系数为0.9的指数平滑预测模型进行比较,结果显示混沌预计模型值更接近实测值,三者相比RBF神经网络混沌预计模型的预计精度优于另外两者,表明混沌预计模型预测精度满足桥梁变形监测精度需求。

摘要： 目的为了实现资源管理大数据的精准挖掘,保证挖掘结果的真实性与有效性,提出一种基于混沌时间序列的资源管理大数据挖掘方法。方法首先,通过相空间重构一个等价的多维状态空间,利用相空间的混沌吸引子寻找预测点的相关函数关联,实现对被测目标区域位置的准确判断;其次,运用经验模态分解将资源管理大数据回波信号分解,按照回波信号间的关联性融合软阈值和粗糙惩罚手段,对资源管理大数据回波信号去噪,预防信号失真现象发生;最后,按照原始定位波形特征,去除回波信号波形伪峰值点,挑选适当的指数函数进行sinc函数波形拟合修正,保证资源管理大数据挖掘结果的准确性。结果仿真实验表明,此方法可以大幅提升资源管理大数据挖掘精度,且耗时较短。结论实现资源管理大数据挖掘,具备较高的应用价值。

摘要： 盾构在始发、穿越风井,接收、联络通道等重要区段的施工会造成管片受力的变化,进而引起管片变形,严重时会出现裂缝,导致隧道内涌水涌砂现象发生。目前,管片结构应力监测技术日趋成熟,施工安全在一定程度上得到了保障,但在风险应对机制还不完善的情况下,利用预测模型来争取更多的风险应对时间,可更好地保证施工安全,减小事故造成的损失。以武汉地铁4号线越江盾构隧道工程实测数据为基础,通过数据的初步处理,指出管片结构应力时序变化一般规律。对管片结构应力的影响因素进行分析,从定性角度说明了在盾构掘进过程中,管片结构应力变化具有混沌性。结合混沌理论与BP神经网络,构建混沌时间序列预测模型,将工程实测数据代入模型,分析数据混沌性,并进行管片结构应力预测分析。

摘要： 针对单一模型难以对具有不确定性和随机性等特点的风电功率数据实现精确预测,该文提出基于GA-BP和RBF的风力发电时间序列混沌特性组合预测模型。组合预测模型对原始风电功率数据进行混沌特性判定,使用基于嵌入窗法的C-C求解法对数据进行相空间重构,得到输入数据集。并且,该组合预测模型基于皮尔逊相关系数和模型的不同预测能力,实时更新各模型的权重,提高模型的综合预测能力。实际风电场数据验证表明,组合预测模型对风电功率预测的皮尔逊相关系数为0.985,证明了此组合模型在提升风电预测精度方面具有优越性。

摘要： 为有效呈现云计算资源负载的动态波动情况,研究基于大数据分析技术的云计算资源预测方法。在海量云计算资源负载的时间序列数据内任意选取一个时间序列数据;采用时间序列混沌分析方法预处理所选时间序列数据,通过互相关方法确定时间序列相空间重构的最佳嵌入维和延迟时间;依照最佳嵌入维和延迟时间构建一个多维时间序列,将多维时间序列作为云计算资源负载预测建模的学习样本;采用支持向量机训练学习样本,构建云计算资源负载预测模型,采用蝙蝠算法优化预测模型内惩罚因子和径向基核函数宽度参数,完成海量云计算资源负载时间序列数据预测。测试结果显示所研究方法具有较好的泛化能力,单步预测条件下能够获取高精度的测试对象预测结果,多步预测条件下依旧能够较好的呈现测试对象的波动情况。

摘要： 为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNN-LSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.

摘要： 针对当前图像加密算法存在的安全性差、抗攻击能力弱等缺陷,以获得好的图像加密结果为目标,提出一种基于混沌时间序列的图像加密算法.首先对当前图像加密算法的研究进展进行分析,找到存在的难题,然后通过混沌系统产生混沌时间序列,采用混沌时间序列对图像像素进行置乱操作,打扰图像原始像素之间的联系,最后进行图像加密算法的仿真测试.结果表明,通过该算法加密的图像,原始图像和加密后图像通过肉眼无法找到它们之间的相关性,可以有效地保护图像的信息安全,提高了抗攻击能力,而且图像加密效果要明显优于其他图像加密算法.

摘要： 针对传统混沌映射迭代生成的时间序列复杂度低且序列取值范围受映射参数控制的问题,提出了一种基于S-T耦合级联混沌映射的扩频码生成算法.先通过引入耦合控制因子对满映射条件下的Sine映射和Tent映射进行线性耦合,在保持系统动力学结构完整性的前提下减弱了混沌参数取值对序列取值范围带来的影响,极大地增加了扩频码的地址空间.进一步,继续将耦合映射与Sine映射级联后作为扩频码生成器的驱动内核,通过级联的方式显著提升了映射迭代生成时间序列的复杂度,使得所生成的扩频码具有更强的伪随机特性.最后,基于Simulink平台搭建了加载S-T混沌扩频码的直序扩频系统,测试了在不同噪声环境下系统的误码率.实验结果表明,与基于原有传统映射的扩频系统相比较,基于线性耦合级联映射的扩频系统具有更低的误码率.

摘要： 为协助售电公司提升市场化售电服务质量,利用支持向量机-混沌时间序列模型对陕西省可参与市场化售电的用户用电量进行动态预测.然后根据对未参与市场化用户的用电预测偏差和成本降幅测算结果,对未参与市场化售电的用户进行分析与评估,并给出售电公司开展售电业务的代理建议.最后根据考核要求,利用已参与市场化客户的动态预测偏差值来进一步对客户是否被考核进行预警分析.初步应用结果表明,售电公司从这2方面开展代理业务已取得较好成果,可进一步深化应用.

摘要： 由于饱和负荷预测的时间跨度大、影响因素多,易导致所得结果偏差较大.为此,基于混沌时间序列设计了一种新的城网饱和负荷预测方法.在相空间的基础上,计算负荷时间序列的饱和关联维数,选取重构相空间内的最佳嵌入维数,并定量分析负荷时间序列的混沌特性;然后确定饱和负荷的增长趋势,通过判断指标衡量饱和负荷预测值,并收集城网历史供电信息,获取最大负荷历史数据;运用趋势外推法建立函数模型,利用中值处理法获得模型预测平均值,选取实际负荷时间序列数据 对其精度实施检验,最终完成对城网饱和负荷的预测.实验结果表明:该方法预测结果较为准确,可消耗较短的时间达到较高的预测精度,具有良好的实用价值和应用前景.

摘要： 高边坡安全预警是世界性难题之一,其重要的一环就是制定合理可行的预警标准.本文通过稳定性与安全性、预测与预警对比分析,定义了边坡安全预警的概念.针对高边坡的特殊性,结合描述过程的混沌时间序列和描述状态的能量,对边坡进行安全预警分析,引入边坡安全预警时段的概念,作为预警标准,并初步拟定了预警等级.在此过程中,对基于塑性功率概念的临滑预报理论进行改进.通过对黄茨滑坡的研究结果表明,把边坡安全预警时段作为预警标准是合理可行的,可为滑坡安全预警的相关研究提供参考.

摘要： 运用自适应非正交方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在RBF网络模型构造非监督学习过程中,提出了一种能同时确定了径向基函数的中心个数和对应的扩展常数的自适应方法.隐层节点在非正交空间中递推选择,扩展常数则以贝叶斯准则(BIC)收敛值作为代价函数利用微分进化(DE)算法取得.为了验证网络的预测性能,将该方法对Logistic和Henon混沌时间序列进行了仿真研究,仿真结果表明了该方法的有效性.

摘要： 根据相空同重构理论，探讨了一种基于小波神经网络(WNN)的混沌时问序列预测方法。根据G-P算法和Takens理论，计算出混沌时问序列相空间重构所需的最小嵌入维数。以此作为网络的输入节点数。通过时频分析，使得隐节点数的选取也有了可靠的理论依据。最后对Lorenz仿真信号和滚动轴承信号进行仿真和预测，验证了方法的有效性。结果表明。对于混沌时间序列的预测，WNN网络比BP网络表现出更理想的预测效果，为非线性动态系统的预测提供了一种有效的途径。

摘要： 本文讨论了一种基于并行多层感知器(PMLP)神经网络的混沌时间序列预测方法。PMLP网络的输入节点数是由混沌时间序列相空间重构所需的最小嵌入维数决定的。根据G-P算法和Takens理论，可以计算出混沌时间序列的最小嵌入维，并通过均方误差MSE来衡量网络的预测误差。本文分别选取Lorenz仿真信号和滚动轴承振动信号进行仿真和预测，以此验证所提方法的有效性。仿真结果表明，对于混沌时间序列的预测，基于PMLP神经网络的方法具有很好的预测效果和较高的工程应用价值。

摘要： 随着科学的发展，许多实际的非线性系统的运动特性被证明具有混沌特性。所以对混沌时间序列的预测近来成为研究的热点。然而目前对混沌时间序列的预测研究大多建立在相空间重构基础之上.然而在重构相空间时,需要选取两个参数－延迟时间与嵌入维数,文中引入微熵率最小的原则选取这两个参数.在重构相空间后,利用LS-SVR对混沌时间序列进行预测研究.并在MATLAB200b环境下建立混沌时间序列的预测模型.文中利用Mackey-Glass混沌时间序列与工作面瓦斯涌出量混沌时间序列数据对算法进行验证.结果表明,在熵率最小的原则下确定的嵌入维数与延迟时间其几何意义明确,通过编程实现简单明了.而在此基础上重构的相空间中利用LS-SVR预测模型的预测效果较好,而对实际现场瓦斯突出在短期内的预测也得到了较高的精度.

摘要： 相空间重构技术与人工神经网络是处理非线性系统问题的有效工具,本文依据两者技术原理和耦合点,提出了相空间重构与神经网络相结合的时间序列预测方法,并通过对掘进工作面瓦斯浓度实测数据进行预测检验,大部分预测数据的相对误差小于5％,研究结果表明,基于相空间重构理论与神经网络理论提出的掘进工作面瓦斯涌出时间序列相空间重构与神经网络融合预测模型有很高的预测精度,能较好的反映时间序列内在的运动机理,揭示掘进工作面瓦斯涌出动力系统复杂的运动规律和非线性特性,为掘进工作面瓦斯涌出的可预测性及预测模型的建立提供了新的理论依据.

摘要： 针对航空发动机性能、故障等状态监控的优化问题,以及视情维修的需要,提出了一种混沌时间序列的关联维数提取方法.采用互信息量法和饱和关联维数法,对飞参系统记录的发动机状态参数时间序列的时间延迟和嵌入维数进行了计算,并对时间序列重构相空间,应用G-P算法计算时间序列的关联维数.计算结果表明,发动机状态参数的关联维数为非整数,验证了发动机状态参数具有典型的混沌特性,且关联维数能够正确反映发动机状态参数的特征信息,为发动机状态监控和视情维修提供决策依据.

摘要： 根据RBF神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行了分析和研究,本文在rakens相空间重构的基础上,首先利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;其次根据嵌入时延和嵌入维数构造铁路客货运量的奇异吸引子三维相图;然后应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;接着根据RBF神经网络的学习算法和辨识原理,对铁路客货运最预测流程进行分析.最后应用RBF神经网络对 Lorenz方程进行单步和多步的预测并进行校验比较,同时对铁路客货运量自l999年1月1 日到2012年8月27 日共4988天的发送量进行RBF单步和多步顾测;预测结果表明Lorenz方程能够很好地与实际值相吻合,铁路客货运的RBF多步预测随着预测步数的变长,误差逐渐变大,因此多步预测更适合短期预测;RBF神经网络铁路客货运单步预测较多步预测精准度略高些.

摘要： 本文介绍了将混沌时间序列和BP神经网络相结合的短期负荷预测的方法,以县调自动化系统ON3000为平台开发应用程序,并用该程序预测某县的日负荷.预测结果表明该应用程序是有效的和可行的.

摘要： 准确有效地预测服务器负载能力，可以有效地提高内容分发网络的运行效率。在混沌理论的相空间重构的基础上，结合BP神经网络对服务器负载时间序列进行预测，动态地反映未来的服务器的负载能力，在准确性上取得了较为满意的效果。实验结果表明，90％的预测结果误差不超过7％，提高了内容分发网络的服务质量。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 本发明公开了一种基于时间序列分解和LSTM的时间序列数据预测方法，包括：步骤一、采集时间序列数据，并对其进行预处理，获得满足建立预测模型数据需求的时间序列样本集，进行训练集和测试集的划分，得到第一训练集与第一测试集；步骤二、基于LSTM建立用于趋势分量和余项预测的第一神经网络，通过第一训练集进行训练与调参，将训练好的第一神经网络模型对第一训练集进行预测，获得第一训练集的趋势分量和余项的预测结果，进一步处理成第二训练集；步骤三、基于ANN建立第二神经网络，通过第二训练集进行训练和调参；步骤四、将训练好的第一神经网络和第二神经网络模型对测试集进行联合预测，获得拟合的时间序列数据预测结果。

摘要： 本发明提供了一种时间序列数据聚类模型建立方法及时间序列数据聚类方法，涉及数据聚类技术领域。本发明所述的时间序列数据聚类模型建立方法，包括：获取原始时间序列数据，将所述原始时间序列数据输入到深度神经网络中进行训练，得到所述原始时间序列数据的最终特征表示；根据所述最终特征表示通过对比学习对时间序列样本进行聚类，根据交叉熵调参直至训练完成，以建立时间序列数据聚类模型。本发明所述的技术方案，能够实现针对时间序列数据特点的高效特征表示，有效解决当前已有算法存在的特征提取表达能力不足、相似数据之间结构信息挖掘不充分的问题，提高了时间序列数据聚类的准确性。

摘要： 本发明属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。

摘要： 本申请公开了人工智能领域中的一种时间序列预测模型的训练方法、时间序列预测方法及装置。该时间序列预测模型的训练方法包括：将源域的第一时间序列和目标域的第二时间序列输入第一预测模型中，通过第一预测模型中的特征编码器生成第一时间序列的特征和第二时间序列的特征；将第一时间序列的特征和第二时间序列的特征输入领域判别器中，对领域判别器与特征编码器进行对抗训练，且基于目标域的样本集对第一预测模型进行调优，得到目标预测模型。本申请的方法能够提高目标预测模型的准确性，避免出现过拟合和负迁移。