非平稳时间序列

摘要： 慢特征分析方法(Slow Feature Analysis,SFA)是从已知的非平稳时间序列中提取缓变信息的有效方法。本文首先通过Logistic非平稳时间序列模型对SFA方法提取慢特征信息的能力进行了检验,然后以哈尔滨市为黑龙江省代表站,对月气温距平序列进行慢特征信号提取及预测研究。结果表明:慢特征分析方法可以有效地提取哈尔滨市气温距平序列中的慢特征信号。提取的慢特征信号能够反映原序列的变化趋势、极值等信息。拟合和预测试验表明,与平稳性模型相比,引入SFA信号后的气温预测模型可以在一定程度上提高预测能力,改善预测效果。对近48个月独立样本预测也得到相同结论。

摘要： 多重分形去趋势波动分析(Multi-Fractal Detrended Fluctuation Analysis,MFDFA)处理非平稳时间序列存在趋势项难以准确移除的问题,为此本文引入经验模态分解(Empirical Mode Decomposition,EMD)并通过趋势项自动判定方法提取趋势项,再利用最小二乘(Least Squares,LS)法对趋势项再拟合(EMD-LS),进而提出新的多重分形分析方法(EMD-LS-MFDFA),并针对具有理论值的二项式多重分形序列(Binomial Multifractal Sequence,BMS),验证了EMD-LS-MFDFA法的有效性和稳定性,然后进行仿真分析.研究表明:相较于MFDFA方法,EMD-LS-MFDFA移除趋势精度更高,计算的广义Hurst指数和质量指数的均方根误差较小,其中2阶的EMD-LS-MFDFA具有更高的计算精度,是1阶的1.8倍,分析不同参数的BMS序列,其多重标度曲线与理论曲线相吻合,证明了该算法具有较好的稳定性和精准的分析能力.

摘要： 建立男子110米栏年度世界最好成绩的广义极值分布(GEV)模型,利用极大似然和轮廓似然法估计模型中三个参数μ,σ和ξ,模型通过QQ图、重现水平图和似然比检验,得到重现期为10年的重现水平估计.进一步,建立参数为μ(t),σ,ξ的非平稳时间序列极值模型,比较了两种模型的预测值和精度.

摘要： 不同于传统的灰色理论方法,利用主成分分析和时间序列分析相结合的方法对辽宁省近20年的GDP数据进行统计建模,预测了该省未来几年的GDP走势,并利用统计软件编程实现.结果显示该模型具有较好的预测效果.

摘要： Aiming at the problem of spurious regression when analyzing the non stationary time series,the safety monitoring model of earth-rockfill dam is established based on principal component analysis and cointegration theory to analyze the deformation behavior of monitoring stations combined with the vertical displacements monitoring data of an earth-rockfill dam.The result shows that the model has significant coefficient and definite meaning,and meanwhile,it can overcome the multicollinearity of independent variables and the problem of spurious regression in analyzing the non stationary time series.The vertical displacements of monitoring stations are stable during monitoring period.%结合某土石坝垂直位移监测资料,针对非平稳时间序列分析时可能产生的“伪回归”问题,采用主成分分析方法和协整理论建立土石坝安全监控模型,并对监测点的变形性态进行分析.结果表明,所建立的模型系数显著,意义明确,克服了自变量间的多重共线性以及到平稳时间序列分析时的“伪回归”问题,在监测时段内,监测点垂直位移时效基本稳定.

摘要： 对存在野值和较强噪声的非平稳时间序列,为提高小波阈值去噪在低频信号分解中的准确性和稳健性,采用反正切变换将原始非平稳时间序列转换成新的更平稳的序列,以提高信噪比,并抑制野值的不利影响.通过解析分析,解释了反正切变换抑制野值的成因,并优化了其中的参数.采用已知信号的数值实验(仿真)证明,反正切变换能够提高对野值的抵抗能力,改善小波阈值去噪的效果.应用于风速时间序列的去噪表明,新方法能够有效抑制风速里的野值,获得更符合实际的风速信号.%For nonstationary time series with outliers and strong noises, in order to increase the accuracy and robustness of wavelet threshold denoising in the low frequency signal decomposition, the arc-tangent function transformation is employed to transform the original nonstationary time series to a new more stationary series. The SNR(Signal-to-Noise Ratio) is improved and the negative effect of outliers is insulated. The suppressing capability of arc-tangent function transforma-tion to outliers is explained analytically, and its parameters are optimized. Numerical experiments/simulations of a given signal prove that the arc-tangent function transformation can improve the resistance against outliers, and enhance the per-formance of wavelet threshold denoising. An example of wind speed time series denoising shows that the new method can provide a more real wind speed signal by eliminating the outliers with larger amplitudes.

摘要： 油液监测技术是解决低速、重载、变工况条件下的大型机械监测与诊断这一难题有效途径.利用在线可视铁谱传感器检测到的机械润滑油液磨粒的浓度(百分覆盖数)是典型的非平稳时间序列.运用趋势波动分析(Detrended Fluctuation Analysis,DFA)能有效滤除了非平稳时间序列中的不相关趋势,根据监测磨粒数据的特点,选取了2阶去势波动与尺度变化曲线,提取了油液磨粒浓度的特征信息,判别了机械设备的正常、轻度、中度与严重磨损程度,为监测、诊断低速重载机械提供了科学方法.

摘要： 针对非平稳时间序列难高精度预测的问题,提出基于小波变换和组合模型的预测方法.首先,运用Mallat算法分解和重构非平稳序列,分离得非平稳序列的近似序列和细节序列;然后对近似序列建立GM(1,1)优化模型,对细节序列分别建立ARMA模型;最后叠加各模型的预测值得到原始序列的预测值.实证分析表明,此方法比传统的预测方法具有更好的适用性和更高的预测精度.

摘要： 时间序列分析和预测己在现代信号处理领域得到越来越多的关注.针对实际中广泛存在的非平稳时间序列的预测问题,提出一种在线支持向量极端学习机预测模型.该预测模型采用新型神经网络-极端学习机的隐含层映射代替支持向量机的核映射,综合了极端学习机结构简单、训练简便以及支持向量机泛化能力强的优势.同时为实现在线实时预测,设计了一种在线更新算法对预测模型的权值进行在线更新.基于非平稳Mackey-Glass混沌时间序列和现代金融时间序列的预测仿真实验证明所提方法的有效性.

摘要： 本文基于重构状态空间理论和嵌入定理,给出一个新的非平稳场时间序列的区域预测方法.该方法将外强迫因子引入到预测模型中,并且将区域内预测相点的周围相点所对应的空间信息也引入到预测模型中.并利用该方法对33模Lorenz系统得到的“理想”的非平稳场时间序列进行预测实验分析.结果表明,嵌入外强迫因子可以更好的重构出原来的动力系统,有效地提高非平稳时间序列的预测精度;同时引入空间和外强迫信息可以利用空间数据弥补时间序列长度的不足,从而进一步提高预测精度.

摘要： 科学预测城市电力负荷需求，是合理安排扩大发电能力计划的依据，也是有效实施电力需求侧管理的重要手段。建立一个简单易行的模型是一项重要的基础性工作。电能消耗的历史数据是时间序列，因此可以利用历史数据用时间序列预测技术来预测电力需求。本文尝试用非平稳时间序列的确定性分析方法通过Excel来建立常州市电力负荷需求预测模型。

摘要： 货币政策传导机制的效率体现了货币政策对经济增长的作用效应,对这一问题的研究有助于更好解决货币政策实施过程中存在的问题.本文拟采用建立在非平稳时间序列基础上的经济时序分析方法,建立计量经济模型,从动态角度检验中国货币政策的各分渠道传导机制效应,并对从金融机构资产负债角度界定的货币机制与信贷机制进行了效应及时滞比较研究,借以为货币政策未来走向提供相应政策建议.

摘要： 应用自校正理论，对非平稳时间序列提出一种新的自校正递推预报器，在电力系统预报中得到很好的结果。

摘要： 对农业产品和实验物种来说，生长曲线分析在表型和遗传方面的研究都是一个非常重要的问题。对产肉动物尤其是猪和肉牛来说，生长是最重要的经济性状之一，也是育种选择的一项重要指标。时间序列分析预测在商业、经济、环境、医学、运输(比如交通事故和噪声)、能量、水体污染、人口、气候等其他学科是一种常用的方法。时间序列分析在水产业、渔业、林业、家禽和畜牧业生产也有很多报道。但是关于猪的时间序列分析的报道还是不多。因此，本文引入ARIMA模型分析猪生长的同时对比逻辑斯蒂克模型和冈泊兹(Gompercz)模型。

摘要： 对农业产品和实验物种来说，生长曲线分析在表型和遗传方面的研究都是一个非常重要的问题。对产肉动物尤其是猪和肉牛来说，生长是最重要的经济性状之一，也是育种选择的一项重要指标。时间序列分析预测在商业、经济、环境、医学、运输(比如交通事故和噪声)、能量、水体污染、人口、气候等其他学科是一种常用的方法。时间序列分析在水产业、渔业、林业、家禽和畜牧业生产也有很多报道。但是关于猪的时间序列分析的报道还是不多。因此，本文引入ARIMA模型分析猪生长的同时对比逻辑斯蒂克模型和冈泊兹(Gompercz)模型。

摘要： 对农业产品和实验物种来说，生长曲线分析在表型和遗传方面的研究都是一个非常重要的问题。对产肉动物尤其是猪和肉牛来说，生长是最重要的经济性状之一，也是育种选择的一项重要指标。时间序列分析预测在商业、经济、环境、医学、运输(比如交通事故和噪声)、能量、水体污染、人口、气候等其他学科是一种常用的方法。时间序列分析在水产业、渔业、林业、家禽和畜牧业生产也有很多报道。但是关于猪的时间序列分析的报道还是不多。因此，本文引入ARIMA模型分析猪生长的同时对比逻辑斯蒂克模型和冈泊兹(Gompercz)模型。

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： 本发明公开了一种结构风致振动时间序列信号非平稳段自动提取方法，包括：采用既定长度数据段区域最大值三次样条插值的方法计算振动时间序列信号的上包络线，使用高斯混合模型拟合上包络线数据的概率密度分布，将高斯混合模型中均值最小的一阶单高斯分布拟合参数定义为振动信号平稳数据的统计特征参数，并计算其累积分布函数在保证率逼近于1时的振动平稳数据临界值，从振动时间序列信号中截取上包络线数据连续大于临界值的对应时刻数据段，选取截取的数据段中长度大于预设长度且最大值大于预设值的数据段作为风致振动非平稳段的有效结果。本发明方法实现较少依赖相关从业人员专业知识的结构风致振动时间序列信号非平稳段自动化快速提取。

摘要： 本发明涉及一种基于非平稳时间序列分解的统计降尺度方法，该方法的具体步骤包括：S1.降尺度数据准备；S2.非平稳时间序列分解；S3.最优时间序列分解结果的选择；S4.随机森林模型训练；S5.训练后时间序列分解分量的合成；S6.模型评估；S7.未来情景的降尺度。该方法在稳态的分量之间寻找统计关系，进而解决统计降尺度中有关统计关系一致性假设的问题，解决了气候模型和水文模型之间的一直存在的尺度不匹配问题，也为利用水文模型进行未来气候变化等一系列研究中的流域响应提供了一种更为可靠的途径。

摘要： 本发明公开了一种非平稳时间序列预测方法及系统，所述方法包括：对非平稳时间序列进行MEEMD分解；改进灰狼优化算法，改进了收敛因子，并引入改进的反向学习策略对算法进行初始化；使用改进的灰狼优化算法，获取最优的深度学习神经元数量以及时间步长；分别对IMF分量和余项建立改进的深度学习子模型，得到各个子模型的预测结果，并将各个预测结果叠加重构，得到最终的预测值。该系统包括数据处理模块、时序数据分解模块、深度学习优化模块、深度学习预测模块。本发明提供的预测方法，解决了传统信号分解的模态混叠现象，通过使用改进的灰狼算法提升了模型的收敛速度以及数据拟合效果，同时避免了陷入局部最优和人工调参带来的误差。

摘要： 本发明属于时间序列预测领域，尤其涉及一种基于CEMD和LSTM的非平稳时间序列数据预测方法，包括通过历史数据构建训练集，通过实时数据构建测试集；使用经验模态分解将测试集和训练集中的目标序列分解为n个本征模态函数和1个残差序列；通过聚类算法对n个本征模态函数聚类为m组，形成m个子序列；利用训练集中子序列的特征向量对深度LSTM神经网络进行训练，获取完成训练的深度LSTM神经网络；将测试集中子序列输入完成训练的深度LSTM神经网络进行预测，得到非平稳时间序列预测结果；本发明结合了EMD和聚类算法对非平稳时间序列进行重构，使得预测模型的误差更小、训练时间更短。

摘要： 本发明公开了一种非平稳时间序列预测方法及系统，所述方法包括：对非平稳时间序列进行MEEMD分解；改进灰狼优化算法，改进了收敛因子，并引入改进的反向学习策略对算法进行初始化；使用改进的灰狼优化算法，获取最优的深度学习神经元数量以及时间步长；分别对IMF分量和余项建立改进的深度学习子模型，得到各个子模型的预测结果，并将各个预测结果叠加重构，得到最终的预测值。该系统包括数据处理模块、时序数据分解模块、深度学习优化模块、深度学习预测模块。本发明提供的预测方法，解决了传统信号分解的模态混叠现象，通过使用改进的灰狼算法提升了模型的收敛速度以及数据拟合效果，同时避免了陷入局部最优和人工调参带来的误差。

摘要： 本发明公开了电力负荷的非平稳时间序列预测方法、装置及相关设备。该方法包括获取电力负荷的时间序列数据，并对时间序列数据进行预处理，得到训练数据；采用离散小波变换对训练数据的电力负荷数据进行分解，得到低频子序列和高频子序列；分别基于低频子序列和高频子序列训练初始ARIMAX模型和初始LSTM模型，得到目标ARIMAX模型和目标LSTM模型；获取待预测电力负荷的目标特征指标，并将目标特征指标分别输入目标ARIMAX模型和目标LSTM模型进行电力负荷预测，得到待预测电力负荷的低频预测数据和高频预测数据；对低频预测数据和高频预测数据均进行小波重构和反标准化，并对结果进行叠加，得到待预测电力负荷的最终预测结果。该方法具有准确率高、稳定性高等优点。

摘要： 一种复杂网络中的非平稳时间序列预测识别方法及系统，其方法包括：构建多任务时序动态贝叶斯网络模型；对已有的模型数据进行滤波和重采样；根据滤波和重采样的结果，估计得到网络参数和网络结构，利用已有的模型数据、网络参数和网络结构，完成对多任务时序动态贝叶斯网络模型的训练；将待识别的非平稳时间序列输入训练好的多任务时序动态贝叶斯网络模型，输出预测识别结果；本申请通过对动态贝叶斯网络模型进行改进，以及对现有的时间序列集合进行分析整理，进而训练数据来推断决定时序发展的参数，从而预测时间序列未来的走向趋势。

摘要： 本发明涉及一种基于非平稳时间序列分解的统计降尺度方法，该方法的具体步骤包括：S1.降尺度数据准备；S2.非平稳时间序列分解；S3.最优时间序列分解结果的选择；S4.随机森林模型训练；S5.训练后时间序列分解分量的合成；S6.模型评估；S7.未来情景的降尺度。该方法在稳态的分量之间寻找统计关系，进而解决统计降尺度中有关统计关系一致性假设的问题，解决了气候模型和水文模型之间的一直存在的尺度不匹配问题，也为利用水文模型进行未来气候变化等一系列研究中的流域响应提供了一种更为可靠的途径。

摘要： 本发明涉及一种非平稳时间序列数据的多维度扩充预测方法与装置，包括以下步骤：收集原始抄表数据，对原始抄表数据进行加工，扩展数据维度构造抄表数据集；构建不同序列依赖长度的RNN序列表达模型，采用全量数据进行模型训练，依据模型性能表现确定最优化依赖长度；以最佳序列依赖长度建立RNN序列模型，以抄表数据集为基础，进行模型训练，获得优化后的RNN序列模型参数；使用所述优化后的RNN序列模型参数对各个表具的最新远传数据进行预测；将预测的远传数据值与实际远传数据值进行对比，依据策略得到校正值，并将校正值记录入库。本发明能够对非平稳时间序列进行建模，同时能融合差异性时间步长的信息维度，使得时间序列模型具备更强的表达能力。