基于神经网络的混沌时间序列预测

为了提高了RBF神经网络对于混沌时间序列的预测性能,从相空间重构理论出发,建立RBF神经网络,并且改变RBF神经网络训练参数及训练样本数,以Logistic及Lorenz混沌时间序列进行预测仿真,取得了不错的预测效果。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。      

基于混沌理论的时间序列区间预测

运用非参数统计的方法，作出混沌时间序列在特定概率限的区间预测，弥补了传统点预测的不足，使预测的适用性得以提高。并通过数据实证验证了该理论方法。     

混沌RBF神经网络的地磁变化场预测模型

提出一种融合混沌理论和RBF(radial basis function)神经网络的地磁变化单站预测模型。分析磁场数据的混沌特性,求取关键参数嵌入维数m和时间延迟τ,据此对初始数据进行相空间重构,并将经混沌理论优化的样本集作为神经网络的训练集和测试集进行仿真实验。结果表明,经混沌理论改进后的RBF神经网络模型可以较为准确地预测地球磁场的变化趋势,对我国地磁场的适用性较好,具有一定的泛化能力。     

桥梁水平位移混沌特征识别与神经网络预测研究

跨海大桥系统受外界影响扰动,其变形伴有混沌现象发生.对桥梁变形监测数据实现了混沌识别,运用C-C法计算时间序列的延迟时间,用G-P方法求得最佳嵌入维数,通过求取的时间延迟和最佳嵌入维数对桥梁变形监测数据进行相空间重构,为混沌时间序列预测模型的建立奠定基础;基于RBF神经网络建立混沌时间序列预测模型,对实测数据进行桥梁变...     

淮河流域洪涝变化混沌演化特征研究

本文在淮河流域洪涝变化分形特征、吸引子维数研究的基础上,以相空间重构为理论,通过Lyaponov指数论证了淮河流域洪涝变化的混沌性和耗散性,分析了洪涝变化的混沌演化特征.     

基于多元时间序列的Kn近邻预测模型

提出了一种基于多元时间序列的Ｋｎ近邻短期气候预测模型。该模型既保留了Ｋｎ近邻算法的优良特性,同时又考虑了气候系统有关状态量之间的物理关系和动力行为特性。用该模型对云南各区域的平均月雨量距平值进行预测试验,其对云南１９９１年５月～１９９８年６月的月雨量距平值预测检验的距平符号相关准确率为６３．５％,对云南１９９１～１９９８年的５月雨量距平值预测检验的距平符号相关准确率则可达到７０．０％。该模型的建立具有一定的实际业务应用价值。     

不同时间间隔下的遥感时间序列重构模型比较分析

遥感时间序列被广泛用于地表信息探测。然而受传感器和外部条件的影响,时间序列存在不同程度的噪声。时间序列重构模型能够实现时间序列去噪,但不同重构模型应用于不同时间间隔时间序列的精度不同。本文以辽宁省朝阳市为研究区,分别利用1、4、8、16和30 d间隔归一化植被指数（Normalized Difference Vegetable Index, NDVI）时间序列,进行模拟数据实验和物候监测实验,从波形还原能力和物候期提取精度2方面,评价了SG滤波、DL拟合、HANTS 3种模型在不同时间间隔下的重构效果。结果表明,SG滤波模型适用于较大时间间隔的时间序列数据,DL拟合模型适用于较小时间间隔的时间序列数据,HANTS模型对较小间隔的时间序列重构精度较低。在此基础上,从模型自身的角度分析了3者在不同时间间隔下表现的原因,并为面向不同时间间隔时间序列数据的重构模型选择提供了参考。     

多时间序列求关联维D_2

在利用Ｇ．Ｐ．法由单一时间序列计算关联维Ｄ_２的基础上，引入矩阵范数，提出了多时间序列数据联合计算关联维Ｄ_２的算法。这一算法是Ｇ．Ｐ．法的推广。验算结果表明这一算法正确、可行，能提高计算结果的可靠性。     

地表环境参数时间序列重构的方法与应用分析

卫星传感器数据提取的地表环境参数是全球变化和区域资源环境研究的重要信息源.时间序列数据的重构旨在利用多种统计和数值分析方法,模拟参数的季节/年度变化规律,从而插补缺失观测值,优化时间序列数据,为相关研究提供更加完备的基础数据.目前,数据重构主要应用在植被指数、叶面积指数、地表能量平衡参数等,重构的方法包括阈值法、滤波方...     

基于Prophet-XGBoost模型的GNSS高程时间序列预测

针对GNSS时间序列非平稳性和非线性等特点,通过分析XGBoost模型与Prophet模型的适用性与特点,构建Prophet-XGBoost预测模型。该模型先通过Prophet模型对GNSS原始时间序列进行分解,然后通过XGBoost模型进行分部预测,等权相加得到预测结果。实验选用ALGO、ALRT、BRST三个IGS站U分量日坐标时间序列数据,采用MAE和RMSE作为评价指标。结果表明,与单一的XGBoost模型和Prophet模型相比,Prophet-XGBoost模型的MAE和RMSE值均得到一定程度优化,说明该模型具备有效性,可用于GNSS时间序列预测。     

基于Prophet-RF模型的GNSS高程坐标时间序列预测分析

针对GNSS高程坐标时间序列非平稳性与非线性等特点,在深入分析Prophet模型与随机森林(ran-dom forest,RF)模型特性的基础上,构建了Prophet-RF组合预测模型,解决了Prophet模型对时间序列非线性部分预测能力较弱的缺陷,且该组合模型具有较强的鲁棒性.本文选用BJFS站高程方向的连续观测数据...     

基于理论走时表的震相研究

对理论震相走时表,包括震相走时、震中距及震源深度之间的变化规律进行研究。结果表明,每个理论震相走时随震中距或震源深度的变化并不完全一致,存在正相关或负相关,同时部分震相走时受震中距或震源深度的影响会在某处截断。借助这些规律可以快速分析地震事件。     

基于模型和空间相关性的GPS时间序列插值方法

针对GPS时间序列的空缺,根据数据固有特性和空间特性,提出基于模型和噪声空间相关性的GPS时间序列插值方法,并以陕西省GPS连续站为例验证该方法对长空缺插值的优势。通过实验分析不同情况的空缺和插值对GPS时间序列速度、周期项以及噪声特性的影响。结果表明,空缺对速度影响较小,较少的观测也可以较好地反映地壳线性运动;空缺对周期项影响较大,利用GPS分析周期性运动时必须考虑空缺的影响;噪声频谱分析显示离散空缺比长空缺影响大,噪声特性分析时应注意。     

小波分解改进电离层VTEC时间序列预报模型

介绍了小波分解法改进时间序列预报模型的原理。以IGS发布的2013年VTEC数据为例进行逐点建模,选用db4小波对5 112个格网点VTEC序列进行分解,并对各小波分量进行时间序列预报和重构,进而对VTEC进行预报。对一般方法和改进方法预报偏差的比例变化及全球范围内各格网点的预报值RMSE进行比较。结果表明,改进法预报的高精度点比例及其预报精度均优于一般方法。     

基于改进的经验模态分解和SSA联合算法的GPS坐标时间序列重构

基于ICEEMDAN算法无需先验信息即可准确分离和提取低频信号与趋势信息的特性,以及SSA具有较好的信号重构优势,提出基于ICEEMDAN和SSA的联合重构方法。该方法将弱周期信号利用ICEEMDAN方法进行提取与重构,可弥补SSA方法中当弱周期信号对应的Hankel矩阵的奇异值和噪声Hankel矩阵的奇异值接近时容易被噪声掩盖而难以提取的不足。通过模拟实验和真实站点数据验证该算法分解和重构精度,并与奇异谱分析法、小波分解法、滑动最小二乘法进行比较。实验结果表明,ICEEMDAN-SSA联合算法相对于已有方法具有更好的重构精度。     

基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

基于SSA-Sn法的GNSS坐标时间序列粗差探测

针对GNSS高程坐标时间序列中含有粗差、高程坐标时间序列不平稳、非线性变化导致异常值探测困难等问题,提出一种奇异谱分析SSA与S_n估计量相结合的粗差探测方法。利用实验模拟数据和实测数据分别对该方法的探测效果同常规3σ法和MAD法进行对比,结果表明,SSA-S_n粗差探测方法的总体探测效果更好,能够满足GNSS坐标时间序列高可靠性的需求。