导读:本文包含了随机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,时间,模型,神经网络,小波,森林,金融。
随机时间序列论文文献综述
黄丽丽[1]（2019）在《随机神经网络预测模型构造与金融时间序列波动研究》一文中研究指出预测全球金融能源时间序列的波动已经成为经济和社会研究的焦点,为了提高金融能源价格预测的准确度,本文首先将随机时效函数与小波神经网络结合构建了随机时效小波神经网络模型。小波神经网络模型是一种能够实现强非线性近似的预测系统,而随机时效函数用于刻画历史数据对当前市场预测的影响,赋予历史数据时变权重并引入到小波神经网络的训练过程中,这使得模型更符合真实市场波动趋势。此外,我们将递归层引入随机时效小波神经网络以提高模型对历史数据的记忆性,并结合小波分解构建了组合预测小波神经网络模型。小波分解的作用在于将原始不平稳的时间序列分解成不同频率较平稳的子序列,更易于预测。结合递归层,随机时效性以及小波分解方法进一步提高了模型的精度。实证研究中,我们采用两种原油现货序列和两种金融石油指数,同时研究了价格序列以及收益率序列的预测效果,并与传统神经网络模型,SVM模型,深度学习LSTM模型等进行了对比。本文除了运用常规的一些误差分析方法之外,还引入了多尺度复合复杂同步性方法,为误差分析提供了新思路。MCCS分析结合了样本熵和复杂度不变距离,用于测量两个等长时间序列之间的同步性,通过分析预测结果和真实价格之间的同步性,我们可以对比得出预测效果。综合误差分析结果表明,我们所提出的两种神经网络模型在全球金融能源价格序列拟合中具有较高的准确度。(本文来源于《北京交通大学》期刊2019-06-01）
贾彦,汪尧,王骥飞,赵萌,张驰[2]（2019）在《基于小波变换和时间序列法考虑随机分量的短期风速预测》一文中研究指出为提高短期风速预测的准确性,本文结合小波变换和时间序列法,考虑随机分量进行短期风速预测.利用小波变换对风速时间序列分层,将高频变化的风速时间序列利用自回归滑动平均模型(ARMA)进行预测,低频变化的风速时间序列利用持续法进行预测,最后将预测结果迭加并通过随机阵列对结果进行修正.通过实例验证以及与时间序列方法进行对比,结果证明该方法的预测精度和预测稳定性都有所提高.(本文来源于《内蒙古工业大学学报(自然科学版)》期刊2019年02期）
刘峻明,和晓彤,王鹏新,黄健熙[3]（2019）在《长时间序列气象数据结合随机森林法早期预测冬小麦产量》一文中研究指出冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R~2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm~2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。(本文来源于《农业工程学报》期刊2019年06期）
杨学良,陶晓峰,黄福兴,熊霞[4]（2018）在《基于随机森林及时间序列模型的电能量异常数据检测及修复方法》一文中研究指出传统的阈值判定方法难以准确地检测出电能量数据中的异常,并且对异常值的修复往往采用相邻点取均值的方法,修复的结果性往往不够精确。该文提出了一种基于随机森林分类器的异常数据检测方法,从数据中提取趋势特征、统计特征等特征量,从一种新的角度实现异常数据检测;并在检测的基础上,利用时间序列模型拟合数据对时间的动态变化规律,模拟异常发生时刻的数据,修复异常值。结合现场实际数据对该文提出的异常检测及修复算法的有效性进行验证,表明能够实现快速准确的异常检测及异常数据修复功能。(本文来源于《第叁届智能电网会议论文集》期刊2018-12-30）
沈力华[5]（2018）在《基于随机映射神经网络的非线性时间序列建模预测研究》一文中研究指出非线性时间序列建模预测是复杂系统数据驱动控制的一个重要研究方向,已被广泛应用于工业系统故障分析与预测、工业过程控制、金融市场数据预测、河流流量和降雨量预测、温度预测以及剩余使用寿命预测等多个领域。通过对复杂系统进行分析,建立相应的时间序列预测模型,能够使人们更深入的理解系统内部特性,并能够更好的实现系统控制与决策。随机映射神经网络作为神经网络的一种,具有更快的收敛速度,能够得到全局最优解,学习简便等优点,已在非线性时间序列预测中得到了较好的预测性能并取得了丰硕的成果。因此,本文针对非线性时间序列建模预测问题展开研究,对两种随机映射神经网络进行改进,优化网络结构,提高预测模型鲁棒性,建立优化组合模型。最后,将改进的随机映射神经网络应用于数控机床进给系统时间序列预测中。论文的创新性研究主要包括以下四方面:提出修正的正则化极端学习机预测模型框架。针对极端学习机预测时间序列时隐层节点数不易选择,时间序列经极端学习机进行高维空间映射后容易产生冗余信息和过拟合的问题,本文对极端学习机结构展开研究,通过对基于_1L范数、_1L和_2L混合范数的正则化方法进行修正和优化,求取极端学习机输出权值的稀疏解,在提高模型预测精度的同时优化网络结构,从而得到一种修正的正则化极端学习机预测模型框架,基于该框架提出四种修正的正则化极端学习机预测模型,所提模型在继承_1L范数变量选择能力的基础之上,有效避免了基于_1L范数正则化方法有偏估计导致模型预测精度低的问题,在得到模型稀疏解优化网络结构的基础之上提高了模型预测精度。提出鲁棒变分回声状态网络预测方法。针对现实复杂系统中,数据往往受多种噪声和异常点的影响,分析不同的概率分布对异常点的敏感性,最终选取高斯混合分布作为模型输出似然函数,由于边缘似然函数无法解析处理,因此,基于变分推理方法对模型进行求解,获得随机映射神经网络输出权值,提出一种对噪声和异常点具有鲁棒性的回声状态网络非线性时间序列预测模型,所提模型不但具有较强的非线性逼近能力,而且对异常点和噪声具有较强的鲁棒性。提出两种多随机映射神经网络组合优化预测方法。针对单一随机映射神经网络对数据信息表达不充分,基于Adaboost.RT提出一种改进的多核极端学习机预测模型。另外,基于双稀疏相关向量机,对相关回声状态网络的组合权值及由相关样本得到的基函数的权值同时进行学习,得到一种优化的多稀疏回声状态网络组合模型,该模型不需要采用交叉验证的方式确定回声状态网络的谱半径和稀疏度,只需确定相应的区间。预测结果表明,所提两种组合优化模型具有更好的适应性和更高的预测精度。提出基于随机映射神经网络的数控机床进给系统时间序列预测模型。将第二、叁、四章所提的几种模型和思想应用于数控机床进给系统时间序列的预测中,从模型结构、训练方法和多模型组合优化叁个方面提升模型预测数控机床进给系统时间序列的精度,实现进给系统速度响应时间序列的有效预测,为后续误差补偿奠定基础。具体包括以下叁方面内容:首先,提出基于修正的正则化极端学习的进给系统时间序列预测模型,优化网络结构,得到输出权值的稀疏解,从而提高模型的泛化性能;其次,提出基于鲁棒回声状态网络的进给系统时间序列预测模型,提高了预测模型的抗干扰能力;最终,提出基于PSO-RVESN的进给系统时间序列预测模型,进一步提升了模型预测进给系统时间序列的预测精度。(本文来源于《华中科技大学》期刊2018-11-01）
张立波,庞蓉蓉,王勇,黄敏,何成涛[6]（2018）在《基于时间序列的随机质控设计与应用》一文中研究指出目的通过对ELISA检测项目进行质控方案设计,建立完全随机方式的质控加样方法。方法设计基于时间序列的的数学模型,通过时间中分钟和秒钟的变化对样本进行计算,使质控品随着时间的变化,产生不同的位置结果,并依此进行加样。结果质控品在ELISA加样过程中会在板的任意位置进行加样,实现随机出现。结论本实验所使用的方(本文来源于《中国输血协会第九届输血大会论文专辑》期刊2018-11-01）
孟书宇,凌能祥[7]（2018）在《随机缺失函数型时间序列数据的k近邻回归估计》一文中研究指出针对响应变量随机缺失的强混合函数型时间序列数据,首次提出了非参数回归模型的k近邻估计,并在一些正则条件下建立了k近邻回归算子的几乎完全一致收敛速度.此研究不仅推进了函数型非参数模型的理论研究,也为函数型数据的实际应用领域提供了理论支撑.(本文来源于《大学数学》期刊2018年04期）
孟凡山[8]（2018）在《基于随机特征采样的时间序列分类算法的研究与实现》一文中研究指出时间序列分类是时间序列研究的关键部分,为了高分类的准确率以及算法执行的效率,本文出了基于特征采样的时间序列分类方法。时间序列数据往往具有不等长的特性,常规的机器学习以及深度学习方法无法直接应用于时间序列分类问题。传统的时间序列分类算法主要有两种,一种是基于距离的算法,通过设定距离函数,找到与给定时间序列最相近的查询序列,另一种是基于特征取的算法,通过取时间序列的主要特征信息来进行分类。特征取方法相比于基于距离的分类方法,具有分类准确率高的优点,但是需要花费大量的时间进行特征取,如何设计简单高效的特征取方法,从而将时间序列问题与机器学习方法相结合,是本文的核心研究内容。本文通过特征采样方法将不等长的时间序列数据集转化为具有等长特征维度的数据集,主要包括简单随机特征采样方法,等时间间隔特征采样方法,分段随机特征采样方法。相比于以shapelet方法为代表的传统特征取方法,本文出的特征采样方法计算过程简单,无需进行大量的计算,同时,对于原始时间序列的特征取具有无损性。此外,对于特征采样算法中包含的参数,本文使用改进后的交叉验证方法对其进行调整和确定,高了分类的准确率。在对分类器的设计上,本文结合LSTM神经网络分类器与softmax分类器的优点。本文将特征采样后的数据集作为LSTM的输入,将LSTM的输出作为softmax分类器的输入,得到类别的概率值。同时,本文出了针对时间序列分类的增量学习方法,使模型可以更好的适应新的数据。UCR数据集上的实验结果表明了本文出的基于特征采样的时间序列分类算法在大部分数据集上具有较高的准确度。随着互联网时代的兴起,时间序列数据集的数据量也呈现爆炸增长的态势。然而,由于大多数的时间序列分类算法均在内存中完成,因此不适用于处理海量的时间序列。针对海量时间序列分类问题,本文出SFSC_MR算法(分段随机特征采样算法并行化)。本文定义了时间序列的近似化位图表示,利用近似化位图表示,得到海量数据的划分索引,从而在Map-Reduce阶段利用划分索引切分数据,保证负载均衡。该算法分为两个阶段,预处理阶段和查询阶段,预处理阶段负责时间序列位图的计算,海量数据的划分,以及分类模型的训练。在查询阶段,负责进行时间序列的分类。实验结果表明,SFSC_MR算法可以有效处理海量数据分类任务。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
鲁韵帆[9]（2018）在《随机交互金融模型的构建及金融时间序列的统计分析》一文中研究指出随着对现代金融市场研究的加深,金融市场被新定义为一个由大量交易者相互作用、各自为获得交易标的最优价格而对外部信息做出反应的开放的非线性复杂系统,而对这个非线性复杂系统的波动动力学特征的研究促使了金融数学、金融工程学、金融物理学等一些新兴交叉学科的发展.该研究领域中两个热门的研究方向是对经济金融市场的实证分析研究和构建一个能包容显示金融市场所有基本特征的理论模型.本篇论文将对上述两个研究方向展开新的探索.随着金融物理学的发展,一些经典的统计物理粒子模型逐渐被应用于模拟金融市场的演化机制的研究,并取得了优秀成果.本文第一个重要的创新成果就是运用随机交互传染病模型和基于小世界网络的传染病模型来分别构建两个新的金融价格动态模型—随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ,通过运用传染病模型中病毒在个体之间的传播机制来模拟金融市场中外来信息在投资者之间的传播机制,从微观角度来探索金融市场内信息交互引起价格波动的演化机制.并且通过模型模拟数据的统计特征与真实股票市场收益率时间序列的统计特征的相似性来验证了随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ的合理性和有效性.本文的第二个重要的创新成果是运用已有的统计方法从新的角度对股票市场价格变动的统计特征进行实证分析,并且将叁维视图引入到结果展示中去,优化了实证分析的对比过程.本文的第叁个重要的创新成果是引入新的量化金融市场多元时间序列复杂性的统计方法—多元多尺度熵分析,并得到了新的研究成果,如每个交易小时内股票市场的复杂性不同,呈现出显着下降趋势,股票市场在上午的系统复杂性明显高于下午的.具体的研究内容如下:第2章:结合Black-Scholes期权定价公式,并运用随机交互传染病模型和基于小世界网络的传染病模型来分别构建两个新的金融价格动态模型—随机交互金融价格模型Ⅰ和基于小世界网络的金融价格模型Ⅱ.通过参考现代金融理论,设定模型的两个前提假设为:1)系统内存在基于信息的股市羊群效应;2)投资者理性程度的差异会对投资者的羊群行为有影响.通过参数定量分析思想,对每个模型的参数组合进行了介绍.为了初步证明模型的合理性,我们对实证数据和模拟数据同时进行了基础描述性统计的相关实验.第3章:基于随机交互金融价格模型Ⅰ的统计分析.通过基础描述性统计分析、幂指数分析、K-S检验、关联维数分析、修正多尺度熵分析、综合多尺度熵分析、集合经验模式分解算法和Zipf行为分析,对真实股票收益率时间序列和该模型的模拟数据进行统计特征分析,上述分析结果中相似的统计特征验证了随机交互金融价格模型Ⅰ的合理性和有效性.并且研究发现模型中初始时刻感染者比例、病毒传播速率、设定的有效交易时长和type-inf型投资者与type-imm型投资者的投资态度对股票市场的影响因子的比例均与模型系统的复杂性基本呈正相关.第4章:基于小世界网络的金融价格模型Ⅱ的统计分析.主要通过修正R/S分析和多重分形去趋势分析验证了真实股票市场日收益率序列和模型模拟收益率时间序列均具有正相关性、波动持续性和多重分形性,从而验证了基于小世界网络的金融价格模型Ⅱ的合理性和有效性.并且发现模型中相对传染性和type-inf型投资者与type-imm型投资者的投资态度对股票市场的影响因子的比例与模拟数据的长记忆性呈正相关.统计分析过程中,通过对比随机重排序列和原始时间序列的多重分形结果,发现时间序列内在相关性会影响其多重分形性;利用模型数据的可以调价序列长度的优势,验证了多重分形去趋势分析中多重分形谱宽与有限序列长度的效应.第5章:将多元多尺度熵MMSE分析引入到金融股票收益率多元时间序列的复杂性分析中.我们发现中国SSE和SZSE的每个交易小时内系统的复杂性不同,呈现出明显的下降趋势,股票市场在上午的系统复杂性明显高于下午的.通过对其随机重排多元序列和绝对收益率多元序列进行分析,发现了多元股票收益率时间序列的随机洗牌处理增加了其复杂性,且绝对多元收益率时间序列更倾向于表现出多时间尺度上的长程相关性.最后我们用多元多尺度熵方法对亚洲、欧洲和北美洲叁个不同地域的股票市场的复杂性进行分析,发现美国股市的叁个单一收益率表现出的复杂性不是最高,但是其组合成的叁元时间序列的复杂性却是最高的,其次是亚洲和欧洲股票市场.(本文来源于《北京交通大学》期刊2018-04-01）
郭银,周家俞,李怡,陈嘉玉,龙天玮[10]（2017）在《时间序列模型在金沙江干流水沙随机模拟中的应用》一文中研究指出在水利工程中,长期(几十年或上百年)的水文序列实测资料对工程的建设、防洪、抗旱以及河流生态保护等方面起着至关重要的作用。然而,在实际工程中,大多数情况下较难以获得某河流特定位置处超过百年的长期水文实测数据。因此,常常需要根据有限的短期水文实测资料对该处的水文序列进行长时间的随机模拟,用以获取更多水文数据样本。文章基于金沙江中游石鼓水文站22 a的实测流量时间序列,采用水文时间序列组成成分分析方法,结合自回归模型和水沙联合随机模型共同建立了该地区的流量时间序列和水沙相关关系,并模拟了工程所在位置处500 a的流量和含沙量结果。此外,文中对模拟的流量结果进行误差分析,以充分验证文章提出的流量时间序列模型的正确性与合理性。文章的研究成果可为新建港口码头及航道工程提供一定的技术支撑。(本文来源于《水道港口》期刊2017年06期）
随机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：
为提高短期风速预测的准确性,本文结合小波变换和时间序列法,考虑随机分量进行短期风速预测.利用小波变换对风速时间序列分层,将高频变化的风速时间序列利用自回归滑动平均模型(ARMA)进行预测,低频变化的风速时间序列利用持续法进行预测,最后将预测结果迭加并通过随机阵列对结果进行修正.通过实例验证以及与时间序列方法进行对比,结果证明该方法的预测精度和预测稳定性都有所提高.
（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。
随机时间序列论文参考文献
[1].黄丽丽.随机神经网络预测模型构造与金融时间序列波动研究[D].北京交通大学.2019
[2].贾彦,汪尧,王骥飞,赵萌,张驰.基于小波变换和时间序列法考虑随机分量的短期风速预测[J].内蒙古工业大学学报(自然科学版).2019
[3].刘峻明,和晓彤,王鹏新,黄健熙.长时间序列气象数据结合随机森林法早期预测冬小麦产量[J].农业工程学报.2019
[4].杨学良,陶晓峰,黄福兴,熊霞.基于随机森林及时间序列模型的电能量异常数据检测及修复方法[C].第叁届智能电网会议论文集.2018
[5].沈力华.基于随机映射神经网络的非线性时间序列建模预测研究[D].华中科技大学.2018
[6].张立波,庞蓉蓉,王勇,黄敏,何成涛.基于时间序列的随机质控设计与应用[C].中国输血协会第九届输血大会论文专辑.2018
[7].孟书宇,凌能祥.随机缺失函数型时间序列数据的k近邻回归估计[J].大学数学.2018
[8].孟凡山.基于随机特征采样的时间序列分类算法的研究与实现[D].哈尔滨工业大学.2018
[9].鲁韵帆.随机交互金融模型的构建及金融时间序列的统计分析[D].北京交通大学.2018
[10].郭银,周家俞,李怡,陈嘉玉,龙天玮.时间序列模型在金沙江干流水沙随机模拟中的应用[J].水道港口.2017
论文知识图
