模糊时间序列

摘要： 研究了如何准确获取按时间序列排列的相关人流量数据的因素,并对数据进行综合分析,提取其中有利于时间序列预测研究的成分。考虑到数据采集的精度限制,景区的人流量数据无法具有很高的明确性和准确性,因此还研究了模糊时间序列模型的构建,通过结合模糊数学与时间序列解决这一问题。

摘要： 科学有效的水质预测对于水资源的管理与水污染预警尤为重要。由于水质指标序列存在非线性、非平稳性、模糊性和季节性等特点,传统预测模型的精度受到一定的限制。结合差分整合自回归移动平均ARIMA模型和经典模糊时间序列模型的特性,提出了一种基于动态隶属度的模糊时间序列水质预测新模型。首先,利用模糊C均值聚类从原始数据中构建隶属度序列;其次,利用经典的时间序列模型对不同的子隶属度序列进行预测,得到动态隶属度;最后,去模糊化得到水质指标的预测值。应用提出的新模型对岷江某断面的水质指标进行了短期预测,并与经典模糊时间序列模型和ARIMA乘积季节模型进行对比。实验结果表明,新模型在RMSE、MAPE和MAE上均优于经典模糊时间序列模型和ARIMA乘积季节模型,极大地提高了预测精度,可为水污染防治提供有价值的参考。

摘要： 在股价指数预测等社会经济现象中,存在多种线性和非线性叠加的复杂特征,根据数据波动特点,文章在样本数据排序的基础上,结合区间数大小可能度的概念,对样本数据进行分类和区间划分。同时,通过反映不同决策者态度的多种隶属度计算方法,构造了犹豫模糊集,从而建立了基于综合隶属度权重来集成历史数据的线性预测模型。为拟合数据的非线性特征,引入了BP神经网络预测模型。利用台湾加权股价指数近五年的数据进行实例分析,将线性预测值和开盘价、最低价、最高价、收盘价作为BP神经网络的输入,最终获得了股价指数的预测值。结果表明,提出的模型具有可行性和有效性。

摘要： 由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama大学的入学人数进行预测,预测结果精度较高.

摘要： 在相关文献提出的模糊时间序列预测模型IFTSFM的基础上,定义了多元逆模糊数(Multivariate Inverse Fuzzy Number)的概念,建立了基于多元逆模糊数的模糊时间序列预测模型.应用这一模型,将海南省1997-2016年度旅游总收入历史数据分为两组,分别进行了对历史数据拟合模拟和对未知数据的预测计算,取得了令人满意的结果.

摘要： 短期负荷预测在电力系统的日常运行和调度中起着重要作用,季节和温度是影响负荷变化的最重要因素,但随机因素会在特定时间内改变需求消耗,这将导致突然的负荷变化.为了提高预测精度,提出了一种用于短期负荷预测的加权时变滑动模糊时间序列模型(WTVS).将WTVS模型分为数据预处理,趋势训练和负荷预测三个部分.在数据预处理阶段,通过平滑历史数据将削弱随机因素的影响.在趋势训练和负荷预测阶段,将季节因素和加权历史数据引入到短期负荷预测的时变滑模糊时间序列模型(TVS)中.运用国网陕西省电力公司的负荷数据对WTVS模型进行测试,结果表明,与TVS模型相比,所提出的WTVS模型在负荷预测精度上有显著提高.

摘要： 改进一种模糊时间序列,应用于全国农用拖拉机总数量预测,并为我国拖拉机的发展提供合理的指导建议.与经典层次模型Song模型和Chen模型预测全国农用拖拉机总数量比较,改进的模糊时间序列模型预测的平均误差率降低了10多倍,且其计算过程大大简化,易于运用.预测结果表明:我国农用拖拉机总数量在缓慢增长,其中农用大中型拖拉机增长率高于小型拖拉机,与实际土地整治、大中型机械取代小微型机械下田作业的状况相符;大中型拖拉机配备的农具台数增长率大于农用大中型拖拉机的增长率,但拖拉机产能过剩,造成浪费,政府应合理调控.

摘要： 原油和化工产品在国民经济和生活中的作用越来越大,把握其价格运行规律对于企业生产经营意义重大。本文提出了一种改进的模糊时间序列预测方法,将其应用到了上海原油期货和郑州PTA期货的价格预测当中。通过样本数据的检验,不仅证明了算法的有效性,同时证明了对企业业务经营也具有指导意义。

摘要： 网络使得机票预订更加便捷,机票价格预测可以帮助旅客、代理商合理的选择购买时间、了解市场.然而各航空公司均使用复杂的调价机制,动态的调整价格,以达到收益最大的目的.受多方面因素的影响,机票实时价格具有趋势性、随机性和波动性的特点,同时影响机票价格因素在不断变化,历史价格与预测值间很难用一个精确的关系表示.文中将模糊时间序列模型引入机票价格预测问题中,利用36条航线的最低价格数据(2014.10-2015.4),根据历史价格进行预测,并用绝对平均误差对实验结果进行评估.将预测结果与传统的时间序列算法AR、移动平均和指数平滑比较,结果表明模糊时间序列模型可以提高预测的准确率,不同航线的预测误差结果浮动较小,且在价格波动较大时准确率有明显提升,可为旅客提供较可靠的购票决策支持.

摘要： 为了解决装备保障能力的预测问题,针对模糊时间序列多尺度比率算法存在的不足,论文采用文本挖掘的方法构建装备保障能力预测指标体系,采用改进的加权模糊C均值聚类算法(MWFCM)对数据进行聚类,提出变化的区间标度并选择不同区间长度隶属度对应的数据作为比率划分论域,计算各类数据的平均相对误差,基于这些误差推算出多尺度、非等间距的论域划分区间并建立模糊时间序列模型,使用加权平均值法处理模糊化问题并预测结果;最后通过案例分析,证明构建的指标体系适用于预测模型,且改进的模糊时间序列模型预测精度较高.

摘要： 用于非线性预测问题的一种较为有效方法是采用模糊时间序列模型.但是在已发表的基于模糊时间序列的诸多模型中，所提到的方法基本没有考虑到历史数据中蕴含的变化趋势这一启发信息.本文提出一种采用样本的二阶差分作为启发信息，并引入到基于斐波那契数列的模糊时间序列模型当中的新方法.本文采用上证指数日收盘价作为测试数据.经过理论和实际数据分析表明，将数据间隐含的历史关系作为启发信息可以进一步提高预测精度同时降低预测计算的复杂度.

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。