导读:本文包含了混合预测方法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:神经网络,向量,模型,序列,小波,声源,时间。
混合预测方法论文文献综述
盛秀梅,张仲荣[1]（2018）在《基于ARIMA误差修正的混合预测方法》一文中研究指出由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。(本文来源于《洛阳理工学院学报(自然科学版)》期刊2018年04期）
黄宏伟[2]（2018）在《基于LSTM的时间序列混合预测方法研究》一文中研究指出时间序列是蕴含着丰富信息的数据,时间序列预测作为重要的数据分析方法,一直受到各领域学者的关注。实际应用中,简单的平稳序列比较少见,寻找一种能够有效地处理复杂非平稳时间序列并对其进行准确预测的方法至关重要。本研究将长短时间记忆网络(Long Short-Term Memory,LSTM)对非线性和非平稳时间序列有较强逼近能力的优点与自回归滑动平均模型(AutoRegressive Moving-Average models,ARMA)适用于线性、平稳时间序列建模和预测的特点结合,提出一种新的基于深度学习的时间序列混合预测方法。相对于现有方法,该方法的不同之处在于:(1)利用多分辨分析理论,对时间序列进行小波分解,得到多个子序列并对每个子序列进行平稳性分析。在时间序列预测领域,前人多将小波分析用于序列去噪,以提高预测精度。本文方法通过小波分解,得到代表细节波动的平稳子序列和包含周期性、季节性及趋势信息的非平稳序列。(2)对代表细节波动的平稳子序列使用较低计算复杂度的ARMA进行建模与预测,通过该步骤提高了时间序列细节部分的拟合和预测精度。前人方法多通过差分等方式去掉周期性、季节性或趋势项的影响,以得到满足基于数理统计的时间序列预测方法前提条件的序列。本文方法对小波分解后的各级子序列进行单支重构,再使用ARMA进行建模与预测,保留了原时间序列完整的细节波动。(3)区别于基于人工神经网络对整个时间序列进行拟合和预测,本文仅对对原时间序列中包含的周期性、季节性及趋势信息的非平稳子序列使用LSTM进行建模与预测。通过该步骤保留了时间序列中变化缓因素对时间序列的影响,提高了对时间序列整体趋势的拟合和预测精度的同时,还降低了网络复杂度。(4)本文利用小波变换能完美重构原始信号的特点,对各模型的预测子序列进行重构,得到最终预测结果。与前人方法相比,得到的预测结果既没有损失细节信息,也没有损失整体趋势信息。相对于回归求和滑动平均(AutoRegressive Intergrated Moving Average,ARIMA)方法、BP神经网络和直接用LSTM方法,本方法在不同类型的数据集上,其拟合精度及预测精度上都具有明显的优势,无论是周期和整体趋势的预测,还是细节波动的捕捉,都能得到兼顾。同时精简了深度学习方法LSTM的网络结构,缓解了 LSTM网络训练困难等问题。(本文来源于《湘潭大学》期刊2018-06-05）
MOHAMMED,EISSA,ABDALLA,ADAM[3]（2018）在《风电混合预测方法及预测误差风险评估研究》一文中研究指出风电功率具有较强的随机性和较高的不确定性。不断提高风电功率预测(Wind Power Prediction,WPP)精度,是加强风电管理、管控电网运行风险的最基础和最关键措施之一。鉴于此,本文针对超短期WPP(Ultra-Short-Term WPP,USTWPP)问题,重点从方法集成角度,研究能够进一步提高精度、降低误差风险的混合预测方法,并对其应用于概率静态安全评估的问题进行了分析。为提高预测精度,研究了一种基于风电功率比值系数、集成应用多元线性回归和最小二乘(Multiple Linear Regressions and Least Square,MLR&LS)的USTWPP混合预测方法。方法首先将时间序列化的风电功率历史数据转化为风电功率比值系数的形式;然后,通过对比值系数的预测和校正,并利用系统风电总功率预测结果,计算出各风电场的风电功率预测值。其中,多个风电场的风电功率比值系数的预测任务,由MLR&LS完成。为考察方法的自身性能,针对不同时段长度和时窗宽度,从单点与多点、单步与多步、直接与间接预测等角度,结合实际风电场数据,进行了大量比较性研究;为考察方法的比对性能,使用自回归滑动平均(Autoregressive Moving Average,ARMA)、自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)、人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)等模型,对不同条件下的预测结果,进行了大量比较性研究。研究表明,混合方法,预测误差更低,预测序列与实际序列的相关性更高;采用校正策略的混合方法(Hybrid Approach with Correction,HWC),相对于非校正者(Hybrid Approach without Correction,HWo C),WPP结果的不确定性、波动性更小。针对USTWPP误差风险评估问题,研究了一种基于HWC进行WPP时的风险水平及其风险累积概率分布函数(Cumulative Distribution Function,CDF)计算方法。不同时段长度和时窗宽度条件下的大量仿真表明:相对于HWo C,基于HWC进行WPP,其风险值更低,CDF的计算精度更高;当预测时长增加时,WPP的变化性和不确定性以及由此带来的风险也更高。为在保障准确性的基础上提高WPP误差分布、负荷预测误差分布抽样的效率,提出了一种基于层状结构的模式特征向量(Pattern Feature Vector with Layer Structure,PFV with LS)进行高速抽样生成大容量样本集的方法,并将其应用于电力系统概率静态安全评估。设计的具体结构共分叁层:一层向量由系统风电总功率或负荷总功率构成,维数极低;二层向量维数等于待研究的局部系统数,维数较低;二、叁层向量具体分别由二层对一层、叁层对二层的功率比值系数构成;叁层向量可基于二层的局部系统数分解成多个子向量并行处理。向量的较低维和子向量的并行性,确保了抽样的高效性。基于此,结合IEEE 14节点修改系统的仿真,从节点电压、线路潮流、系统功率损耗CDF等角度,分析了含风电的电力系统概率静态安全评估问题。结果表明,提出的方法有助于提高概率潮流分析、概率静态安全评估的效率。(本文来源于《哈尔滨工业大学》期刊2018-05-01）
王水凡[4]（2018）在《基于混合预测模型的交通标志识别方法》一文中研究指出随着高级驾驶辅助系统(Advanced Driver Assistance Systems,ADAS)和无人驾驶技术的快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员安全驾驶,减少交通事故的发生,本文将卷积神经网络(Convolutional Neural Network,CNN)和Ada Boost-SVM分类算法相结合,构建一个混合预测模型(Mixed Forecasting Model,MFM),将CNN作为可训练的特征提取器,Ada Boost-SVM作为识别器,通过该模型可以有效识别交通标志。基于MFM的交通标志识别方法包括图像预处理、CNN特征提取及Ada Boost-SVM分类叁部分。首先,根据德国交通标志识别数据集(German Traffic Sign Recognition Benchmark,GTSRB)特点提出一种简单且有效的感兴趣区域(Regions Of Interesting,ROI)增强预处理方法,该方法包括图像裁剪、灰度化、图像增强,交通标志形状校正及尺寸归一化。通过实验对比,发现经过ROI增强预处理的图像,其识别率和处理单幅图像耗时均优于其他预处理方法。其次,本文提出将CNN与Ada Boost-SVM算法相结合,对预处理后的图像进行特征提取及分类预测。利用CNN网络中的卷积层和下采样层构建两组隐藏层结构,将预处理后的图像作为CNN网络的输入,再利用反向传播算法(Back Propagation,BP)对CNN进行训练直至收敛或稳定,将测试集的高维特征提取出来,采用Ada Boost-SVM分类器进行分类识别。最后,经仿真验证,本文提出的算法与PCA-SIF、K-mean和传统CNN算法相比较,该算法既保持了传统CNN特征提取的优势,又提高了分类器的性能。实验表明MFM对交通标志的识别具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,提高了辅助驾驶和无人驾驶的安全性。(本文来源于《哈尔滨理工大学》期刊2018-03-01）
王力,张超[5]（2017）在《机场能耗的时间序列混合预测方法》一文中研究指出为解决单一预测模型精度不高、容易陷入局部最优等问题,提出一种基于时间序列分析方法和支持向量机(SVM)的时间序列混合预测模型,从而提高模型的预测精度,并对时间序列进行改进,得到混沌时间序列模型,分别利用改进后的混沌时间序列模型、SVM模型和时间序列混合预测模型等3种方法进行建模,以天津滨海国际机场近两年的能源消耗情况为例进行仿真实验,并采用统计学方法检验模型的精度和误差。实验结果表明混合时间序列模型的建模精度和预测效果要明显优于单一预测模型。(本文来源于《中国民航大学学报》期刊2017年06期）
余培汛,白俊强,杨海,潘凯[6]（2017）在《耦合RANS/LES模型与LEE方程的气动噪声混合预测方法》一文中研究指出耦合湍流速度生成模型与线化欧拉方程,建立了气动噪声混合预测方法。该混合方法的湍流速度生成采用了非定常求解NS方程方式,为声传播方程提供了可靠的源项。声源的传播计算选用线化欧拉方程,其时空离散采用低色散低耗散高阶格式,远场边界选用了无分裂形式的理想匹配层边界条件。流场网格与声场网格的湍流速度信息交换采用了高阶插值算法。针对空腔标模M219的气动噪声预测,分别采用了统计声源与声传播(SNGR)方法、RANS/LES+LEE方法进行了计算分析。通过对比声源的分布、量级,以及监测点的声压曲线及声压级频谱曲线,分析可得出:RANS/LES+LEE方法能准确捕捉空腔各阶模态的声压级峰值。经数值模拟结果与实验结果的对比,表明RANS/LES+LEE方法相比于SNGR方法更适合模拟空腔这类流激振荡现象引起的声传播问题。(本文来源于《西北工业大学学报》期刊2017年06期）
王一珺[7]（2016）在《基于实测数据的短期风电功率混合预测方法研究》一文中研究指出与传统的发电系统相比较,风力发电具有波动性、间歇性和随机性的特点,且大规模并网后会严重影响到整个电力系统运行的稳定性。因此对风电功率进行准确预测已经成为众多学者研究的热点问题。本文基于实测数据,将经验模态分解方法、遗传算法与小波神经网络相结合,提出了短期风电功率混合预测方法,旨在提高短期风电功率预测的精度。基于实测数据对风电功率特性曲线进行拟合。在阐述风速变化特点和风电功率预测方法的基础上,对风电场的历史实测数据进行统计和分析,利用平滑函数对坏点数据进行筛选和删除。将经过处理的风电场数据用于风电功率特性曲线拟合,提高了风电功率特性曲线的拟合精度,最终获得拟合效果良好的风电功率特性曲线。首先对基于BP神经网络的风电功率预测方法和基于小波神经网络的风电功率预测方法进行分析与对比。在探讨BP神经网络和小波神经网络的基础上,分别对基于BP神经网络和基于小波神经网络的短期风电功率预测方法进行研究。利用风电场数据对两种风电功率预测方法的预测效果进行了分析与比较。仿真结果表明,基于小波神经网络的风电功率预测效果优于基于B P神经网络的风电功率预测效果。其次对基于GA-小波神经网络的短期风电功率混合预测方法进行研究。为了解决小波神经网络对网络初始参数选取较为敏感的问题,利用遗传算法对小波神经网络的初值进行优化,并将优化结果作为小波神经网络的初始参数进行网络训练。实例仿真结果表明,基于GA-小波神经网络的混合预测方法能够降低小波神经网络的训练误差,提高了短期风电功率预测的精度。最后提出了基于EMD-GA-小波神经网络的短期风电功率混合预测方法。考虑到风速数据的非平稳性,引入经验模态分解方法(EMD),利用EMD去噪算法对风速数据进行预处理。利用经过去噪处理的风速数据,采用遗传算法对小波神经网络进行训练和优化,利用训练好的神经网络进行风电功率预测。实例仿真结果表明,基于EMD-GA-小波神经网络的短期风电功率混合预测方法可以取得良好的预测效果。(本文来源于《西安理工大学》期刊2016-06-30）
刘庆典[8]（2016）在《空调负荷单变量时间序列混合预测建模方法研究与应用》一文中研究指出办公建筑空调负荷常常受到诸如天气变化、建筑结构和节假日等众多因素影响,负荷变化存在着较强的随机性和非线性,而商场建筑通常人流量更大,功能区域更为繁杂,空调负荷影响因素比办公建筑更为复杂。因此研究适用于不同类型建筑的高精度空调负荷预测方法愈显重要和迫切。本文针对空调负荷混沌特性不强的办公建筑提出了基于小波分解-支持向量机(Wavelet Decomposition-Support Vector Regression,WD-SVR);针对空调负荷混沌特性较强的商场建筑提出了混沌-支持向量机(Chaos-Support Vector Regression,C-SVR)两种空调负荷单变量时间序列混合预测方法,论文的主要研究工作包括:(1)针对办公建筑负荷有着一定的规律性及非线性,使用WD-SVR混合预测法进行办公建筑空调负荷单变量时间序列预测,并讨论了小波分解的不同小波基和小波分解层数对负荷时间序列预测精度的影响,提出小波基与小波分解层数优化选取方法与依据。预测结果表明,Db2小波的单层小波分解较适合于办公建筑WD-SVR混合预测算法。与SVR和BP神经网络预测法相比,WD-SVR混合预测方法的期望误差百分比(Expected Error Percentage,EEP)分别降低了33.6%和29.9%,预测精度有较大的提高。(2)针对商场建筑存在着较为明显的混沌特性这一特点,提出空调负荷单变量时间序列预测的混沌-支持向量混合预测方法,使用互信息函数法及CAO法确定其延迟时间及嵌入维数,利用最大Lyapunov指数确定系统的混沌特性并进行相空间重构,并将相空间重构与支持向量机算法相结合。仿真结果表明,对于商场建筑这一类混沌特性较明显的研究对象,本文提出的C-SVR混合预测法比SVR预测法的EEP和平均绝对误差(Mean Bias Error,MBE)分别降低了30.6%和84.2%,总体预测精度比支持向量机单一预测方法有较大的提高。(3)对WD-SVR和C-SVR法在两类建筑的适用性展开研究。仿真结果表明:办公建筑中,WD-SVR混合预测模型拥有较高的预测精度,其EEP与MBE值分别比C-SVR混合预测法降低了3.28%和45.2%。商场建筑中,C-SVR混合预测方法的预测精度最高,EEP指标和MBE指标较WD-SVR混合预测方法降低了11.7%和82.4%。进一步说明,由于办公建筑空调负荷混沌特性较不明显,WD-SVR能够较好的梳理出空调负荷时间序列中的规律项与随机项,从而获得较高的预测精度;商场建筑空调负荷的混沌特性较为明显,此时,C-SVR能获得更佳的预测精度。且此两种方法在两类建筑中的预测精度都要高于支持向量机法和神经网络算法,故本文所提出的WD-SVR和C-SVR混合预测方法在办公建筑与商场空调负荷预测领域也有着较强的适用性。(本文来源于《华南理工大学》期刊2016-04-22）
冯光升,赵晓宇,马军,高瑞,吕宏武[9]（2015）在《基于混合预测的云平台资源自适应分配方法》一文中研究指出针对云平台下资源利用率低,缺乏资源变化的准确预测等问题,提出了基于混合预测的云平台资源分配方法。该方法根据服务资源需求的周期性特点,采用快速傅里叶变换(fast Fourier transform,FFT)的手段判断服务资源需求的周期性,对缺乏周期性的资源请求采用马尔科夫过程进行预测,进而可依据预测结果自适应地分配虚拟机资源。实验结果表明,该方法能够准确预测服务资源需求,合理分配虚拟机资源,提高了虚拟机资源利用率,有效降低了SLA(service-level agreement)的违反次数。(本文来源于《计算机科学与探索》期刊2015年10期）
高瑞[10]（2014）在《基于混合预测的云平台自适应资源分配方法研究》一文中研究指出随着云计算的发展,按需付费的使用模式逐渐成为趋势。在按需付费的模式下,云计算平台为了提高经济效益就必须具备按用户需求自适应资源分配的能力。基于预测的云平台自适应资源分配技术能够根据云平台中应用的历史运行数据对其未来的资源需求做出预测,从而准确的对该应用的资源做出动态调整。目前,对云平台应用资源需求预测的研究主要集中在单一预测模型或者方法上,缺乏对预测样本的分类,导致预测结果不够精确;对自适应资源分配的研究着重于虚拟机自适应资源配置,没有将虚拟机资源调整与虚拟机重置结合起来。据此本文提出一种基于混合预测的云平台自适应资源分配方法,通过混合预测模型和多粒度自适应资源分配,获得更高的云平台资源利用效率并保障用户的 SLA(Service-Level Agreement)。本文首先对当前云平台的资源分配现状进行研究与分析,在其基础上研究了虚拟机放置问题的建模方法和虚拟机重置问题成本分析方法,并且通过对现有预测模型的分析研究,选择了更适合当前云平台应用特点的Markov Chain预测方法和FFT预测方法作为混合预测模型的基础,讨论了这两种算法相结合进行混合资源需求预测的方法。所提出的基于混合预测的云平台自适应资源分配方法,按照应用资源需求变化的周期性特点进行分类,对周期性或非周期性应用采用不同的预测模型;以预测结果为基础,分别采用基于混合预测的虚拟机资源动态分配策略,基于混合预测的虚拟机在线迁移策略,基于混合预测的虚拟机动态重置策略叁种策略进行多粒度的云平台自适应资源分配,以有效适应应用需求变化,减少虚拟机迁移的数量,降低违反SLA概率,减少虚拟机占用的物理机数量,最终达到提高云平台系统资源利用效率的目的。最后通过实验证明,基于混合预测的云平台自适应资源分配方法可以有效的进行应用资源需求的预测并自适应资源分配,在提高虚拟机资源利用效率、减少物理机占用和降低SLA方面达到了预期效果。(本文来源于《哈尔滨工程大学》期刊2014-04-01）
混合预测方法论文开题报告
（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：
时间序列是蕴含着丰富信息的数据,时间序列预测作为重要的数据分析方法,一直受到各领域学者的关注。实际应用中,简单的平稳序列比较少见,寻找一种能够有效地处理复杂非平稳时间序列并对其进行准确预测的方法至关重要。本研究将长短时间记忆网络(Long Short-Term Memory,LSTM)对非线性和非平稳时间序列有较强逼近能力的优点与自回归滑动平均模型(AutoRegressive Moving-Average models,ARMA)适用于线性、平稳时间序列建模和预测的特点结合,提出一种新的基于深度学习的时间序列混合预测方法。相对于现有方法,该方法的不同之处在于:(1)利用多分辨分析理论,对时间序列进行小波分解,得到多个子序列并对每个子序列进行平稳性分析。在时间序列预测领域,前人多将小波分析用于序列去噪,以提高预测精度。本文方法通过小波分解,得到代表细节波动的平稳子序列和包含周期性、季节性及趋势信息的非平稳序列。(2)对代表细节波动的平稳子序列使用较低计算复杂度的ARMA进行建模与预测,通过该步骤提高了时间序列细节部分的拟合和预测精度。前人方法多通过差分等方式去掉周期性、季节性或趋势项的影响,以得到满足基于数理统计的时间序列预测方法前提条件的序列。本文方法对小波分解后的各级子序列进行单支重构,再使用ARMA进行建模与预测,保留了原时间序列完整的细节波动。(3)区别于基于人工神经网络对整个时间序列进行拟合和预测,本文仅对对原时间序列中包含的周期性、季节性及趋势信息的非平稳子序列使用LSTM进行建模与预测。通过该步骤保留了时间序列中变化缓因素对时间序列的影响,提高了对时间序列整体趋势的拟合和预测精度的同时,还降低了网络复杂度。(4)本文利用小波变换能完美重构原始信号的特点,对各模型的预测子序列进行重构,得到最终预测结果。与前人方法相比,得到的预测结果既没有损失细节信息,也没有损失整体趋势信息。相对于回归求和滑动平均(AutoRegressive Intergrated Moving Average,ARIMA)方法、BP神经网络和直接用LSTM方法,本方法在不同类型的数据集上,其拟合精度及预测精度上都具有明显的优势,无论是周期和整体趋势的预测,还是细节波动的捕捉,都能得到兼顾。同时精简了深度学习方法LSTM的网络结构,缓解了 LSTM网络训练困难等问题。
（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。
混合预测方法论文参考文献
[1].盛秀梅,张仲荣.基于ARIMA误差修正的混合预测方法[J].洛阳理工学院学报(自然科学版).2018
[2].黄宏伟.基于LSTM的时间序列混合预测方法研究[D].湘潭大学.2018
[3].MOHAMMED,EISSA,ABDALLA,ADAM.风电混合预测方法及预测误差风险评估研究[D].哈尔滨工业大学.2018
[4].王水凡.基于混合预测模型的交通标志识别方法[D].哈尔滨理工大学.2018
[5].王力,张超.机场能耗的时间序列混合预测方法[J].中国民航大学学报.2017
[6].余培汛,白俊强,杨海,潘凯.耦合RANS/LES模型与LEE方程的气动噪声混合预测方法[J].西北工业大学学报.2017
[7].王一珺.基于实测数据的短期风电功率混合预测方法研究[D].西安理工大学.2016
[8].刘庆典.空调负荷单变量时间序列混合预测建模方法研究与应用[D].华南理工大学.2016
[9].冯光升,赵晓宇,马军,高瑞,吕宏武.基于混合预测的云平台资源自适应分配方法[J].计算机科学与探索.2015
[10].高瑞.基于混合预测的云平台自适应资源分配方法研究[D].哈尔滨工程大学.2014
论文知识图
