导读:本文包含了多变量时间序列论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:序列,多变,时间,模糊,信息,缺失,模型。
多变量时间序列论文文献综述
单中南,翁小清,马超红[1]（2019）在《基于2DSVD的多变量时间序列半监督分类》一文中研究指出目前时间序列半监督分类研究主要集中在单变量时间序列,由于多变量时间序列(MTS)变量之间存在复杂关系, MTS的半监督分类研究比较少.针对这种情况,提出一种基于二维奇异值分解的MTS半监督分类方法,该方法首先计算行-行以及列-列协方差矩阵的特征向量,然后从MTS样本中提取特征矩阵;特征矩阵的行数以及列数不仅比原MTS样本低,而且还清晰地考虑了MTS样本的二维特性.在10个MTS数据集上的实验结果表明,该方法的分类性能显着地好于使用扩展Frobenius范数、中心序列、以及基于一维奇异值分解的半监督分类方法.(本文来源于《计算机系统应用》期刊2019年11期）
孙晓丽,郭艳,李宁,宋晓祥[2]（2019）在《基于改进RNN的多变量时间序列缺失数据填充算法》一文中研究指出随着大数据时代的来临,多变量时间序列的应用价值得到了越来越多的关注。然而,缺失数据的存在严重影响了对多变量时间序列的进一步开发利用。针对这个问题,提出了基于改进递归神经网络的多变量缺失数据填充算法,该算法通过衰减机制可以获得更多有用的隐藏信息,从而更好地完成对多变量缺失数据的填充。首先,对多变量数据进行预处理,得到网络的输入向量;其次,在长短时记忆(Long-Short-Term Memory,LSTM)单元的基础上引入衰减机制,提出了两种改进的缺失数据填充模型。改进后的模型能够更多更好地获取长时间间隔的隐藏信息,并对输入进行相应的衰减处理。为检验算法的性能,在上海空气质量数据集以及多传感器数据融合活动识别系统(Activity Recognition system based on Multisensor data fusion,ARe M)数据集上进行了仿真实验。结果表明,相比于其他算法,所提算法能够更好地实现多变量时间序列的缺失数据填充。(本文来源于《信息技术与网络安全》期刊2019年11期）
李龙,李金策,王永健,李宏光[3]（2019）在《基于PCA-Xgboost的石油钻井过程多变量时间序列预测》一文中研究指出由于石油钻井工程规模庞大、过程复杂,在实施过程中会出现各种安全问题,一旦事故发生,会对经济、环境造成巨大的影响,甚至威胁人的生命,因此,预测石油钻井过程中的关键变量、预先了解钻井实施情况尤为重要。面向石油钻井过程关键变量,本文提出一个PCA-Xgboost多变量时间序列预测模型。首先采用PCA(Principal Component Analysis)分析关键变量参数,之后采用灰色关联分析法,获得与关键变量高度相关的变量参数,再利用Xgboost(eXtreme Gradient Boosting)对关键参数序列进行预测,最后,将预测结果与ESN(Echo state network)和LSTM(Long Short-Term Memory)方法进行对比,验证了本文提出的PCA-Xgboost多变量时间序列预测模型对石油钻井过程具有优良的效果。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
杨兆龙,章媛,岳东杰[4]（2019）在《主成分-多变量时间序列模型及其在桥梁变形预测中的应用》一文中研究指出建立科学有效的变形预测模型对确保桥梁安全运营具有十分重要的意义。据此,提出了基于主成分和多变量时间序列模型耦合的桥梁变形预报模型,采用苏通大桥实测数据对模型的拟合、预测精度进行了分析验证。采用主成分分析方法提取了累计贡献值达95.088%的叁个对桥面变形有影响的主成分,建立了主成分-多变量时间序列模型。结果表明,该模型拟合精度优于多变量时间序列法,监测点dx,dy,dH叁个方向的均方根误差分别为2mm、2mm、8mm,预测精度分别为3mm、3mm、6mm,可以识别出由于结构损伤所引起的位移10mm的异常变化。说明该模型对于桥梁桥面变形预测具有一定的有效性和适用性。(本文来源于《现代测绘》期刊2019年04期）
党心悦[5]（2019）在《基于多变量时间序列特征加强的列车制动系统故障预测》一文中研究指出因经济发展对铁路运输需求的不断增长,提升重载列车运输能力成为当务之急,而制动系统成为了确保列车安全稳定运行的关键。重载列车通常采用电空制动原理,其制动系统构造复杂、部件繁多,部件之间相互影响,各部件传感器数据随时间动态变化,这使得故障模式多样,较难挖掘。如何有效地对制动系统的故障进行预警、防范故障的发生,减少不必要的人员、财产损失,是一个重要的问题。目前,重载列车制动系统的故障预测主要还是通过人工经验和事后分析,在大数据量的情况下容易漏判,也不够准确。此外,制动系统数据呈现出多变量时间序列的特点,且故障模式随时间波动大。因此,现有的时间序列预测方法,还需在多变量故障模式的挖掘上做进一步的加强。因此,本文提出了基于多变量时间序列特征加强和极端随机森林模型的制动系统故障预测算法MTSFE,本文的主要研究工作包括以下内容:(1)对真实的制动控制单元的数据进行了清洗,然后将制动系统监测数据以多变量时间序列表示,分析各变量对预测输出系统状态值的影响重要性,提出通过自适应LASSO方法选择重要部件的对应变量,实现对真实数据的横向降维,降低预测模型复杂度。(2)设定滑动窗口长度,对选取的重要变量数据进行片段的划分,使用统计分析和小波包分解的方法,分析这些数据片段的时序特性、相关性,提取其时域、频域的特征。根据对数据片段所提取的故障特征,对初始特征集合通过灰色关联度分析方法,分析特征与系统状态值之间的关联度,选取关联度较高的特征作为预测模型的优化特征集合,实现特征的加强。(3)基于提出的多变量时间序列的优化特征集合,提出极端随机森林(ERF)模型的制动系统故障预测模型和算法MTSFE,并通过不断的参数优化,对模型进行了优化。本文使用某型号电空制动系统的真实数据,作为训练和测试样本,对提出的模型进行了训练和预测,本文分别对特征数、特征加强对预测准确度的影响进行了实验,也与常用预测算法进行了对比实验。实验表明,MTSFE在多个评价指标上都优于其它算法。最后,本文实现了MTSFE算法,该算法作为制动故障预测系统的后台预测引擎模块,能够有效地辅助现场人员对制动系统的故障预测。(本文来源于《北京交通大学》期刊2019-06-01）
翟嘉伊[6]（2019）在《基于多变量的时间序列分析预测研究》一文中研究指出基于时间序列的预测可以为人们的日常生活带来许多便利,其在股市走向、天气预报等多种生活场景中都有广泛的应用。同时,拥堵是劳民伤财的交通现象,是目前亟待解决的社会问题。对车流量进行时间序列分析预测的研究,可以为交通管理部门提供合理的决策依据,也可以为民众带来良好的出行体验,具有充分的研究价值和意义。本文针对多变量时间序列进行分析预测研究,主要工作内容和创新点如下:(1)提出基于多变量灰色模型的时间序列预测方法,该方法一方面对传统的灰色关联度分析方法进行改进,在原有的计算方法之上加入方向性关联度的分析,形成综合灰色关联度计算方法,从而可以更加准确地分析变量间的关联关系,筛选出更利于预测的外部变量;另一方面,在带卷积积分多变量灰色模型的基础之上,使用人工鱼群算法对模型中的微分方程系数进行优化,得到基于人工鱼群算法优化的带卷积积分多变量灰色模型AFSA-GMC(1,n)。(2)提出融合预测模型,从数据分解和结果加权两个方面提出不同的融合模型,以扩大模型适用范围,提高预测的准确性和稳定性。基于数据分解的融合模型对数据内在特性进行分解,使用多元季节性时间序列分析法SARIMAX模型预测数据的季节分量和余项,使用AFSA-GMC(1,n)模型预测数据的趋势分量,最终进行分量集成得到SARIMAX-AFSA-GMC(1,n)模型;基于结果加权的融合模型使用梯度提升决策树模型GBDT对数据整体趋势进行学习,AFSA-GMC(1,n)模型对短期数据变化进行把控,最终以预测误差平方和最小化为原则进行结果加权融合得到GBDT-AFSA-GMC(1,n)模型。(3)将模型应用于真实的高速公路车流量预测当中,并通过应用演示系统对预测结果进行可视化展示。本文提出的各类模型的预测精度都通过各自的算例分析得到了验证,并将其实际应用于真实的车流量预测环境中,说明模型能够在真实场景下发挥其预测效果,具有一定的稳定性和适用性。(本文来源于《电子科技大学》期刊2019-04-01）
刘帅,刘长良,甄成刚[7]（2019）在《风电机组齿轮箱的多变量时间序列故障预警》一文中研究指出针对风电机组故障预警中,原始动态时间规整(DTW)算法无法有效度量风电机组多变量时间序列数据之间距离的问题,提出一种基于犹豫模糊集的动态时间规整(HFS-DTW)算法。该算法是原始DTW算法的一种扩展算法,可对单变量和多变量时间序列数据进行距离度量,且精度与速度较原始DTW算法更优。以子时间序列相似度距离为目标函数,使用帝国竞争算法(ICA)优化了HFS-DTW算法中的子序列长度和步距参数。算例研究表明与仅DTW算法和非参数最优的HFS-DTW算法相对比,参数最优的HFS-DTW可挖掘更多的多维特征点信息,输出的多维特征点相似序列具有更丰富细节;且基于所提算法可提前10天预警风电机组齿轮箱故障。(本文来源于《计算机应用》期刊2019年04期）
薛晔,李肖肖,付恒春[8]（2018）在《基于正态信息扩散的新多变量模糊时间序列模型研究》一文中研究指出针对目前多变量模糊时间序列研究中小样本问题,文章基于信息扩散技术构建一个多变量模糊时间序列模型,讨论信息扩散系数的变化对模型精度的影响,进而选取2006—2016年人均GDP、能源消费总量的样本数据对中国SO_2排放量进行预测,且与马尔可夫模型运行结果进行比较。结果表明:所建模型可以弥补小样本的不足;不同方式确定的信息扩散系数对模型精度存在影响,其中基于两点择近原则确定的h_0最优;所建模型的平均绝对误差与平均绝对百分误差率均小于马尔可夫模型,即具有较高的预测精度。(本文来源于《统计与决策》期刊2018年24期）
郭艳,宋晓祥,李宁,钱鹏[9]（2019）在《多变量时间序列中基于克罗内克压缩感知的缺失数据预测算法》一文中研究指出针对现有算法在预测多变量时间序列中的缺失数据时不适用或只适用于缺失数据较少的情况,该文提出一种基于克罗内克压缩感知的缺失数据预测算法。首先,利用多变量时间序列的时域平滑特性和序列之间的潜在相关性从时空两个方面设计了稀疏表示基,从而将缺失数据预测问题建模成稀疏向量恢复问题。模型求解部分,根据缺失数据的位置特点设计了适合当前应用场景且与稀疏表示基相关性低的观测矩阵。接着,从稀疏表示向量是否足够稀疏和感知矩阵是否满足有限等距特性两个方面验证了模型的性能。最后,仿真结果表明,所提算法在数据缺失严重的情况下具有良好的性能。(本文来源于《电子与信息学报》期刊2019年04期）
李肖肖[10]（2018）在《基于模糊信息优化技术的多变量模糊时间序列模型研究》一文中研究指出模糊时间序列模型在处理具有模糊属性的数据时具有独特的优势,传统的模糊时间序列模型大多是处理单变量或大样本多变量的问题,事实上,现实生活中存在大量多变量且小样本的时间序列需要分析与预测,为了避免因用传统的模型可能产生的模型因果判定偏差或预测错误,建立可以处理小样本的多变量模糊时间序列模型具有重要的理论和现实意义。本文以提高小样本时多变量模糊时间序列模型的预测精度为目标,结合信息分配可以有效识别小样本信息的特点,基于信息分配技术构建了一个多变量模糊时间序列模型,通过分配样本点携带的信息至两部分以填补小样本中存在的信息空隙,进而达到提高预测精度的目的。正态信息扩散可以将知识样本点携带的信息扩散到多个监控点,提高了对系统的认识能力,可以更有效地提高小样本时间序列预测的准确率,因此本文基于正态信息扩散构建了另一个多变量模糊时间序列模型。选择2001～2017年能源消费总量、人均GDP、二氧化硫排放量的时间序列数据进行案例分析;并讨论模糊度对信息分配模型、信息扩散系数对正态信息扩散模型的影响;选择经典马尔可夫模糊时间序列模型作为对比模型,以此验证本文构建模型的有效性。主要结论归纳如下:(1)IDMFTSM模型能够有效识别小样本信息,从而提高模型预测精度;模糊度△影响IDMFTSM模型的预测精度,随着模糊度的减小,其预测精度增高,且IDMFTSM△1的预测精度最高。(2)NDMFTSM模型可以更有效地识别小样本信息,从而进一步提高模型预测精度;NDMFTSM模型的预测精度优于IDMFTSM模型;信息扩散系数h影响NDMFTSM模型的预测结果,且NDMFTSMh0的预测结果更优。(3)IDMFTSM△1的预测结果优于Markov△1,NDMFTSMh0的预测结果优于Markovh0,充分证明了本文构建模型的有效性,且计算过程方便简洁。(本文来源于《太原理工大学》期刊2018-06-01）
多变量时间序列论文开题报告
（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：
随着大数据时代的来临,多变量时间序列的应用价值得到了越来越多的关注。然而,缺失数据的存在严重影响了对多变量时间序列的进一步开发利用。针对这个问题,提出了基于改进递归神经网络的多变量缺失数据填充算法,该算法通过衰减机制可以获得更多有用的隐藏信息,从而更好地完成对多变量缺失数据的填充。首先,对多变量数据进行预处理,得到网络的输入向量;其次,在长短时记忆(Long-Short-Term Memory,LSTM)单元的基础上引入衰减机制,提出了两种改进的缺失数据填充模型。改进后的模型能够更多更好地获取长时间间隔的隐藏信息,并对输入进行相应的衰减处理。为检验算法的性能,在上海空气质量数据集以及多传感器数据融合活动识别系统(Activity Recognition system based on Multisensor data fusion,ARe M)数据集上进行了仿真实验。结果表明,相比于其他算法,所提算法能够更好地实现多变量时间序列的缺失数据填充。
（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。
多变量时间序列论文参考文献
[1].单中南,翁小清,马超红.基于2DSVD的多变量时间序列半监督分类[J].计算机系统应用.2019
[2].孙晓丽,郭艳,李宁,宋晓祥.基于改进RNN的多变量时间序列缺失数据填充算法[J].信息技术与网络安全.2019
[3].李龙,李金策,王永健,李宏光.基于PCA-Xgboost的石油钻井过程多变量时间序列预测[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[4].杨兆龙,章媛,岳东杰.主成分-多变量时间序列模型及其在桥梁变形预测中的应用[J].现代测绘.2019
[5].党心悦.基于多变量时间序列特征加强的列车制动系统故障预测[D].北京交通大学.2019
[6].翟嘉伊.基于多变量的时间序列分析预测研究[D].电子科技大学.2019
[7].刘帅,刘长良,甄成刚.风电机组齿轮箱的多变量时间序列故障预警[J].计算机应用.2019
[8].薛晔,李肖肖,付恒春.基于正态信息扩散的新多变量模糊时间序列模型研究[J].统计与决策.2018
[9].郭艳,宋晓祥,李宁,钱鹏.多变量时间序列中基于克罗内克压缩感知的缺失数据预测算法[J].电子与信息学报.2019
[10].李肖肖.基于模糊信息优化技术的多变量模糊时间序列模型研究[D].太原理工大学.2018
论文知识图
