导读:本文包含了时间序列预测技术论文开题报告文献综述及选题提纲参考文献，主要关键词:时间序列,预测,神经网络,ELM
时间序列预测技术论文文献综述
何亚磊,许乾坤[1]（2018）在《时间序列预测技术综述》一文中研究指出总结了时间序列发展过程,从传统时间序列预测方法和现代时间序列预测方法两个方面深入分析了几种经典的预测模型和预测方法,并指出了其优缺点。然后对时间序列预测方法未来的发展做了展望。(本文来源于《信息通信》期刊2018年11期）
宋骏[2]（2018）在《基于时间序列的UGC数量与质量预测技术研究》一文中研究指出当前,用户原创内容(User Generated Content,UGC)数量规模庞大、增长迅速,内容千差万别,信息质量良莠不齐。如何实现UGC的高效自动评估并从中获取切实有用的信息,已成为一个极具挑战的问题。本文在分析UGC文本内容的基础上,针对网络论坛中的特定用户建立了基于时间序列预测法的UGC质量预测模型。本文首先介绍了时间序列预测的相关方法、各个方法的基本原理及优缺点,重点研究差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)和神经网络。随后结合多模型融合预测的思想,提出使用融合模型预测UGC数量,并建立小波融合模型预测UGC质量。融合模型思想认为待分析的时间序列由线性部分和非线性部分两部分组成,并使用统计学模型和神经网络分别分析。小波融合模型结合融合模型思想使用线性模型提取时间序列的线性部分,随后使用小波变换方法分析残差部分并使用神经网络分析,预测特定的网络用户发表和回复UGC的质量。本文的实验语料是“天涯论坛——杂谈板块”中的部分UGC。UGC质量是由人工标注法分类,分为“精品贴”和“普通帖”。实验结果表明,融合模型较单一的统计模型和神经网络可以较好地预测UGC数量,准确率可达80%。同时以关键词数量为特征的小波融合模型预测UGC质量平均准确率达68%。进一步,本文尝试引入UGC的质量标签辅助预测,并与关键词特征相结合预测UGC质量分类,发现加入新特征后预测准确率可提升至72%。可见,将分类相关的关键词数量和UGC质量标签作为特征预测用户未来一段时间内发表和回复UGC质量的效果较好。最后本文搭建了一个UGC行为预测实验系统,实现了对网络论坛用户行为的分析与预测。(本文来源于《北京邮电大学》期刊2018-09-15）
陈思邯[3]（2018）在《基于时间序列预测技术下的分析与预测——以管制器具监管为例》一文中研究指出文章以美国的社会问题为例,首先为因管制器具引发的恶性事件中受害者人数的时序数据拟合ARIMA模型,再建立起引入了每年出台管制器具相关法规数目为输入序列的ARIMAX模型,根据AIC信息准则比较两个模型,认为ARIMAX具有更好的拟合效果,于是得出管制器具的监管管理对恶性事件的发生有影响的结论;再辅以时差分图的皮尔逊相关系数,得到管制器具的监管管理越严格,恶性事件就越猖獗的结论。(本文来源于《江苏科技信息》期刊2018年15期）
吴双双[4]（2017）在《基于深度神经网络的时间序列预测技术研究》一文中研究指出时间序列预测是数据挖掘领域的常见问题之一。传统的时间序列预测方法通过建立数学模型来拟合时间序列曲线,然而,实际生活中产生的时间序列数据往往具有混沌、不规则和非线性等特征,所以用单纯的数学模型很难精确建模。人工神经网络具有自学习和自组织能力,并且能够很好地对非线性模型进行逼近,因此,将人工神经网络应用于时间序列预测问题能够取得不错的效果。深度神经网络作为近年来兴起的强大机器学习工具,在图像、视频和自然语言处理等领域取得了巨大成功。然而在时间序列预测领域,深度神经网络的应用仍然很少。本文将深度神经网络引入到时间序列预测问题中,并开展了探索性研究。本文主要工作内容如下:(1)设计了基于卷积神经网络的预测框架。传统的时间序列预测方法模型单一,预测精度不高。基于机器学习的时间序列预测方法能够取得较高的预测精度,但需要人工提取特征,模型不够通用。针对上述情况,本文提出了一种基于卷积神经网络的时间序列预测框架,该框架能够自动提取时间序列的特征,并获得较高的预测精度。框架包含了两个卷积层,第一个卷积层提取出时间序列的低阶邻域特征,第二个卷积层将低阶邻域特征组合成高阶的复杂特征。每个卷积层后加入最大值池化层以减少模型参数,同时增强模型鲁棒性。框架最顶层加入全连接层,提高模型表达能力。通过真实数据集上的实验表明,所提框架能够较好地对时间序列进行预测。(2)提出了一种改进的基于循环神经网络的时间序列预测框架。在经典的循环神经网络框架中引入注意力机制,将LSTM层每一个时间步的输出向量加权求和代替原框架中LSTM层的输出。相比原框架的LSTM层只使用最后一个时间步输出的构造形式,改进的框架能够有偏重地考虑所有时间步的输出,从而提高预测精度。经实验验证,所提改进框架相比于原框架能够获得更高的预测精度。(3)提出了一种基于混合神经网络的双通道时间序列预测框架。双通道框架组合了卷积神经网络和循环神经网络,卷积神经网络通道利用卷积和池化操作提取出时间序列的深层特征,改进的循环神经网络通道能够提取出长序列依赖特征。与上述的两个单通道框架进行对比实验,双通道框架在整体测试集上的预测精度要高于单通道框架。(本文来源于《南京理工大学》期刊2017-12-01）
李夏威[5]（2017）在《配电台区时间序列大数据负荷预测技术研究》一文中研究指出随着电力用电信息采集系统的优化升级,电力用户侧除了能够采集到传统的电能使用信息外,也能获得用户电能质量、96点负荷曲线、用电行为偏好等多维度反映用户特性的数据。配电台区负荷预测作为传统负荷预测领域的细分,是进行精细化的台区用电管理、运行调度与网架结构优化的新兴手段。受制于台区负荷的随机性与多样性,传统预测方法在台区级的预测中表现欠佳,而借助大数据平台这一新兴工具,对用户侧采集到的冗杂且大量的用户特性信息加以利用,能够有效提高台区负荷预测的预测精度与预测适应性。本文分析台区负荷数据的特点及其关联因素,借助大数据平台中K-means、BIRCH、WARD等聚类算法,对上海市2977个台区进行聚类划分,结合实际台区行业构成分析了各聚类簇的特征及划分的有效性。聚类结果表明台区内用户对气象、经济等因素均有不同的敏感度,以聚类结果为依据,对不同用电特性的用户类分别建立预测模型是提高台区负荷预测精度的有效手段。提出基于机器学习中的岭回归算法与自适应思想的自适应岭回归预测模型,依据自适应程度将模型划分为3种模式,对台区负荷建模并实际训练、预测。3种模式在训练用时、预测精度、敏感度方面表现出不同特性,适用不同预测环境。在聚类与回归模型构建的基础上,进一步提出基于聚类及自适应岭回归技术的台区负荷预测方法,设计3种聚类特征选取方式与5种聚类算法作为预测自适应优化的可调模块,增强了预测的动态优化与误差调控能力。使用该方法对上海市某包含487户用户的台区进行预测,算例结果显示在不同预测环境中通过优选聚类特征、聚类算法及模型参数自适应调节,该预测方法能达到较高的预测精度与环境适应能力。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
郭俊[6]（2017）在《基于非线性动力系统的时间序列预测技术研究》一文中研究指出非线性动力系统是由确定的动力系统产生的复杂行为。对于结构已知的非线性动力系统,可以根据动力特性建立非线性动力系统模型。大部分的非线性动力系统很难建立一个精确的数学模型。但是,根据观测到的时间序列值,可以近似的拟合出一个非线性动力系统模型。本文对结构已知与结构未知的非线性动力系统模型进行研究。首先对非线性动力系统进行分析,包括系统稳定性、倍周期分岔性、混沌特性进行研究。重点研究了相空间重构理论,分别使用互信息法和饱和关联维数法来确定相空间重构的参数。相空间重构理论为建立非线性预测模型奠定基础。对于结构已知的非线性动力系统,根据动力系统特性,建立非线性动力系统模型。对于可以求出解析式的非线性动力系统模型,采用粒子群方法求解最优模型参数,仿真实验表明,该方法比传统的求解方法具有更高的预测精度。对于难以求出解析式的非线性动力系统模型,采用Newmark和Wilson计算方法,求解非线性动力系统模型的瞬态解析,仿真实验表明,当积分步长很短时,该方法具有很高的预测精度。对于结构未知的非线性动力系统,对常用的自适应预测模型和局域预测模型进行研究。在相空间中,构建Volterra自适应预测模型。为了提高Volterra自适应预测模型预测精度,采用群体智能的遗传算法,通过交叉、变异、选择等方法求解模型最优参数,实验表明该方法改进模型的学习能力,加快收敛速度,提高了预测精度。在相空间中,构建基于粒子滤波优化的局域线性预测模型。在局域线性预测模型中,使用欧氏距离和相关系数结合的方法来选择邻近点,根据邻近点构建局域线性预测模型,并采用粒子滤波方法求解最优模型参数,实验表明该方法较局域线性表模型和局域神经网络模型,具有更高的预测精度。(本文来源于《天津理工大学》期刊2017-02-01）
杨小强,韩亚军,刘静[7]（2016）在《几种短期风速时间序列预测技术的比较》一文中研究指出对风速进行准确的预测可以减轻对电力系统的不利影响,提高风电场在电力市场中的竞争力。比较了几种不同的风速预测方法,它们都是采用时间序列分析短期风速数据。讨论传统的线性自回归滑动平均模型(ARMA),常用的前馈和循环神经网络,同时对自适应神经模糊推理系统(ANFIS)以及神经逻辑网络进行比较。通过建模对几种方法的预测性能进行估计,最终得出基于人工智能的模型比线性模型效果更好,能够准确快速地预测结果。(本文来源于《常州大学学报(自然科学版)》期刊2016年01期）
刘海燕,蒋泽军[8]（2013）在《基于时间序列分析和ACO-LSSVM的故障预测技术研究》一文中研究指出传统的机械设备故障率预测方法正确率低,已不能适应现代化设备的检修需求。本文在探讨ACO和LSSVM算法的基础上,提出一种新的PHM算法。利用时间序列预测法计算出季节因子并结合ACO-LSSVM算法对航空某设备的故障率进行建模,得到较好的实验结果,并给出预测结果和实际结果的对比分析。(本文来源于《计算机与现代化》期刊2013年05期）
陈华[9]（2012）在《平均数预测技术在时间序列预测法中的应用》一文中研究指出平均数预测法是市场预测方法中最普遍使用的定量预测技术。详细分析了时间序列预测法中各种常用的平均预测法,总结了每种方法的具体做法,并以具体实例来加以分析,以作为市场预测教学参考。(本文来源于《河北北方学院学报(自然科学版)》期刊2012年06期）
沈玲玲,佟志军,张继权,刘兴朋,包玉龙[10]（2012）在《基于多模型组合预测技术的呼伦贝尔草原火灾时间序列预测》一文中研究指出草原火灾是我国草原地区常见的灾害之一。为了对草原火灾进行及时有效的管理和处置,本文建立灰色数列预测模型,径向基函数(RBF)神经网络预测模型,并将这两个模型组合建立灰色RBF神经网络预测模型对呼伦贝尔草原火灾年发生次数及年过火面积进行时间序列的预测。所建立的组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,对草原火灾年发生次数及过火面积的预测有较强的实用性。结果表明:1)与灰色数列预测模型,RBF神经网络预测模型相比,二者的组合模型具有较高的预测精度;2)预测结果表明呼伦贝尔草原火灾的年发生次数及过火面积都有逐年下降的趋势。(本文来源于《风险分析和危机反应的创新理论和方法——中国灾害防御协会风险分析专业委员会第五届年会论文集》期刊2012-10-27）
时间序列预测技术论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
当前,用户原创内容(User Generated Content,UGC)数量规模庞大、增长迅速,内容千差万别,信息质量良莠不齐。如何实现UGC的高效自动评估并从中获取切实有用的信息,已成为一个极具挑战的问题。本文在分析UGC文本内容的基础上,针对网络论坛中的特定用户建立了基于时间序列预测法的UGC质量预测模型。本文首先介绍了时间序列预测的相关方法、各个方法的基本原理及优缺点,重点研究差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)和神经网络。随后结合多模型融合预测的思想,提出使用融合模型预测UGC数量,并建立小波融合模型预测UGC质量。融合模型思想认为待分析的时间序列由线性部分和非线性部分两部分组成,并使用统计学模型和神经网络分别分析。小波融合模型结合融合模型思想使用线性模型提取时间序列的线性部分,随后使用小波变换方法分析残差部分并使用神经网络分析,预测特定的网络用户发表和回复UGC的质量。本文的实验语料是“天涯论坛——杂谈板块”中的部分UGC。UGC质量是由人工标注法分类,分为“精品贴”和“普通帖”。实验结果表明,融合模型较单一的统计模型和神经网络可以较好地预测UGC数量,准确率可达80%。同时以关键词数量为特征的小波融合模型预测UGC质量平均准确率达68%。进一步,本文尝试引入UGC的质量标签辅助预测,并与关键词特征相结合预测UGC质量分类,发现加入新特征后预测准确率可提升至72%。可见,将分类相关的关键词数量和UGC质量标签作为特征预测用户未来一段时间内发表和回复UGC质量的效果较好。最后本文搭建了一个UGC行为预测实验系统,实现了对网络论坛用户行为的分析与预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时间序列预测技术论文参考文献
[1].何亚磊,许乾坤.时间序列预测技术综述[J].信息通信.2018
[2].宋骏.基于时间序列的UGC数量与质量预测技术研究[D].北京邮电大学.2018
[3].陈思邯.基于时间序列预测技术下的分析与预测——以管制器具监管为例[J].江苏科技信息.2018
[4].吴双双.基于深度神经网络的时间序列预测技术研究[D].南京理工大学.2017
[5].李夏威.配电台区时间序列大数据负荷预测技术研究[D].华北电力大学(北京).2017
[6].郭俊.基于非线性动力系统的时间序列预测技术研究[D].天津理工大学.2017
[7].杨小强,韩亚军,刘静.几种短期风速时间序列预测技术的比较[J].常州大学学报(自然科学版).2016
[8].刘海燕,蒋泽军.基于时间序列分析和ACO-LSSVM的故障预测技术研究[J].计算机与现代化.2013
[9].陈华.平均数预测技术在时间序列预测法中的应用[J].河北北方学院学报(自然科学版).2012
[10].沈玲玲,佟志军,张继权,刘兴朋,包玉龙.基于多模型组合预测技术的呼伦贝尔草原火灾时间序列预测[C].风险分析和危机反应的创新理论和方法——中国灾害防御协会风险分析专业委员会第五届年会论文集.2012