基于时间序列降维方法的研究综述

在综合分析近年来时间序列数据挖掘相关文献的基础上,从时间序列的非线性降维方法以及时间序列的线性降维方法两个方面对时间序列的表示方法进行了综述,简要分析了基于时间序列降维方法的研究现状,对比较流行的方法进行了比较分析,对当前一些未解决的问题进行了简要介绍,并在此基础上对未来的发展趋势进行了展望,为研究者了解最新的时间序列降维方法、新技术及发展趋势提供了参考.     

DNA序列分析法在金融数据时间序列中的应用

通过线性分段将连续性的金融时间序列转化为离散性的字符序列,并基于DNA序列分析法,讨论了此类字符序列的标度特性,以及在金融数据时间序列预测中的可能应用     

基于时间序列线性拟合方法的时间序列层次聚类

本文利用一种有效的时间序列线性拟合方法。算法所选出的关键点是对时间序列的形态变化影响较大的点,将这些点依次连接实现时间序列的线性拟合。这种线性拟合算法在剔除了噪声的同时,能更精确的定位时间序列中的关键点。实验结果表明,该方法能更好的近似表示原时间序列。和已有的方法相比,该方法拟合后的时间序列和原时间序列之间的拟合误差更小。并且在该方法的基础上运用动态弯曲距离进行层次聚类得到了较好的结果。     

浅谈时间序列的分析预测

时间序列理论是研究计量经济的基础，时间序列分析预测方法是定量分析的主流方法，本文阐连了时间序列的基本特征，并介绍了时间序列的有效分析预测模型：由于已有模型的固有缺陷，这将促使我们进一步探究先进的方法理论。     

水文时间序列周期识别的新思路与两种新方法

在目前的水文时间序列周期的识别中,存在较大的困难,为了能够有效的简化水文时间序列周期识别的难度,本文就展开了对水文时间序列周期识别新思路的分析,并在对水文时间序列周期识别新思路的产生充分了解的基础上,得出两种新的水文时间序列周期识别方法,这两种方法的应用,有效的识别出了水文时间的序列周期,由此可以看出,这两种新的识别方法具有广泛的应用价值。希望本文的探究能够为相关的人员提供一定的参考和借鉴。     

登陆热带气旋时间间隔非规则性的初步研究

利用1950～2005年<台风年鉴><热带气旋年鉴>所给出的有关资料,对近56年来登陆我国热带气旋时间间隔的非规则性做了初步研究.先统计了每年热带气旋之间的时间间隔,得到56个时间间隔序列,然后做回归方程求趋势,将原序列减去趋势项,得到的剩余序列再做方差分析.结果表明每年的时间间隔序列存在一定的趋势,有的年份还存在周期.之后计算了时间间隔序列的关联维数,并建立自回归模型,采用选点法,对时间间隔序列进行预报及检验.     

基于神经网络的多维时间序列预测预报方法

1 引言时间序列就是一列随时间变化的数,它是对客观事物的一种描述,属于时域分析的范畴。我们研究时间序列的目的,就是要对时间序列建立一个参数模型,用于描述事物发展的变化规律。定义1:时间序列{x(t)}是一个t∈Z的实值向量随机变量,其中Z表示整数集。在定义1中,如果x(t)∈R~1,那么{x(t)}就是一维时间序列,所建立的模型称为一维时间序列模型;如果x(t)∈R~(?),那么{x(t)}就是r维时间序列,所建立的模型称为r维时间序列模型。 Box和Jenknis首先成功地建立了一维时间序列模型。近年来Tong也在这方面做了许多很有影响的工作。通过许多人的努力,使得一维时间序列模型,如ARMA模型等都能较好地应用于实际预测工作。一个一维序列{x(t)}的(p,q)阶ARMA模型     

金融时间序列的混沌识别

将非线性和混沌的理论和方法应用在金融时间序列的研究中,识别金融时间序列是否为混沌时间序列是研究者面临的一个首要的问题,各个学科领域根据所研究的具体对象发展出了不同的算法,这些算法对金融hen序列的研究有借鉴作用。然而,金融时间序列的小数据量与混合噪声的特征使得混沌识别更加困难．目前广为应用的金融时间序列的混沌识别方法是Gencay-Dechert法,替代数据法等,这些算法仍然处于发展完善中。     

一种计算H指数的简便方法

本文利用时间序列变换频率的方法给出了一种计算时间序列H指数的简便方法。该方法克服了利用R／S分析方法计算H指数的复杂性，文中给出了H指数与时间序列变换频率之间的关系式。     

开都河日径流时间序列混沌分析与模拟

本文利用相空间重构技术和混沌理论讨论了开都河日径流的混沌性质。通过日径流时间序列的功率谱分析,从定性角度讨论了日径流时间序列的混沌特征。进一步根据互信息量法得到相空间重构的延时,再根据Cao方法得到相空间重构的嵌入维数。利用Matlab软件计算得到相空间重构的延时和最佳嵌入维数分别为τ=6,m=14。这样将一维的开都河日径流时间序列重构成14维的相空间。通过最小数据量法计算出开都河日径流时间序列最大Lyapunov指数。利用最大Lyapunov指数对开都河日径流时间序列进行定量混沌分析。最后通过二阶Volterra自适应一步模型进行模拟。结果表明：开都河日径流时间序列的功率谱是连续的,功率谱呈现随频率增高而以指数方式递减趋势,区别于具有离散尖峰谱特征的周期时间序列和具有连续的、频率和振幅不相关谱特征的随机时间序列。这从定性角度表明开都河日径流时间序列具有混沌特征。通过计算得到开都河日径流时间序列的最大Lyapunov指数0〈λmax=0.0097〈1,从定量角度表明开都河日径流时间序列具有较弱的混沌特征。利用二阶Volterra自适应一步模型模拟得到相关系数和相对均方根误差分别0.9376和0.2390。这说明利用Volterra自适应模型模拟效果较好。     

时间序列法在我国石油需求预测模型中的应用

本文首先介绍了时间序列法以及时间序列的种类,通过分析得出我国石油需求序列是有确定趋势的非平稳时间序列,并选择最小二乘法分两步建立模型。然后详细介绍了建模过程,并对模型预测精度和稳定性作了评价,结果表明所建立的模型是较好的预测模型。最后用该模型对我国2006年—2020年的石油需求进行了预测。     

相似性挖掘在时间序列数据中的应用研究

针对时间序列的数据挖掘首先需要将时间序列（Time Series）数据转换为离散的符号序列（Symbol Sequence）。在前人的基础上,将界标模型和分段线性化进行了结合,以关键点作为分段依据,以最大似然函数和最小二乘法来拟合各分段线性拟合函数;此方法的优点在于符合人体生理实验结果,考虑了时间序列中的噪声。     

浅谈时间序列分析模型基本理论

时间序列模型就是利用时间序列的相关性质建立起来的,是一种先进的统计方法,当有足够多的数据来构成一个时间序列,此时建立起来的时间序列模型通常可以得到很好的预测效果。     

流程工业中基于混沌时间序列的成本预测研究

针对流程工业中连续性生产过程的时间序列特点,采用基于混沌时间序列的Lyapunov指数计算和预测方法对成本进行了预测研究。     

基于MODIS NDVI数据的东北森林物候期监测

物候是指示气候与自然环境变化的重要指标。遥感技术的发展为物候监测和研究提供了新的手段。本文研究对象是中国东北森林,森林分布范围由Landsat TM影像解译得到的2000年土地利用数据确定。遥感数据源是2003年500m空间分辨率的MODIS NDVI 8天合成时间序列数据。通过分析东北主要森林树种的NDVI时间序列特征,表明不同树种的同一遥感参数时间序列基本形状近似,在关键物候期和变化振幅上存在差异,这为根据遥感参数时间序列曲线监测森林物候期奠定了理论基础。将MODIS NDVI 8天合成时间序列数据应用时间序列谐波分析法（HANTS）重构成每天的NDVI时间序列数据影像。基于每天的NDVI时间序列数据,研究采用动态阈值法获取了东北森林物候期及其空间分布格局。研究表明东北大部分地区树木在第100天～150天开始生长,到第260天～290天逐渐停止生长,生长季长度集中在140天～180天。通过与部分物候观测数据的比较验证,表明基于MODIS NDVI数据获取的树木生长始末日期与调查资料具有可比性,获取的森林物候期具有一定的可靠性。     

基于时间序列的机构学术评价及实证研究

构建时间序列h型指数,对其合理性进行分析.结合《中国引文数据库》对39所985高校图书馆学术影响力进行实证分析.研究表明:时间序列h型指数结合了机构科研产出的时间经典效应与科研产出的高被引效应,通过实证分析,时间序列h型指数还兼顾了由于时间积累短的有潜力科研产出对机构学术评价的影响,对机构学术影响力评价更加合理.     

基于滑动窗口模型空间重组的网络流量检测

为克服传统时间序列分析方法对小数据信息数据和非平稳序列检测不稳定的限制,引入滑动窗口模型思想,提出了滑动时间窗口模型的网络流量序列重组空间异构的检测方法。通过计算仿真得到不同时间窗阈值下的网络流量序列递归图,检验出网络总出口流量的确定性。通过提取递归图中异常特征点的定量递归特征的方法实现对流量异常的检测和评估。仿真实验表明,提取的流量序列定量递归特征具有较强的稳定性和自相似性,算法能有效检测出网络流量序列的隐藏异常波,尤其适合于小数据量时间序列和非平稳数据的检测和分析。     

交通流量VNNTF神经网络模型及其预测研究

研究了VNNTF神经网络交通流量混沌时间序列预测的问题。首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理．设计了交通流量Voltem神经网络的学习算法快速学习算法：最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络。     

经济时间序列的状态空间预测

预测是研究经济时间序列的重要课题,而经济序列大都是非平稳的,因此经济序列的预测比一般平稳时间序列困难得多。利用状态空间模型对经济序列进行建模、预测,不仅方便易行,且效果很好。不仅可对经济时间序列所含趋势、周期、季节各分量进行预测,而且可对经济时间序列本身进行预测。本文就是讨论用状态空间模型对经济序列进行预测的方法与实现。     

线性回归与时间序列加法预测模型

线性回归和时间序列预测模型各有千秋,本文将它们结合起来,提出了一种线性回归与时间序列加法预测模型,它提高了拟合度和预测能力。