一、基于SVR的混沌时间序列预测（论文文献综述）
徐菲[1]（2021）在《基于相空间重构的铁路货运需求预测技术研究》文中进行了进一步梳理铁路货运是我国运输行业的一项重要组成部分。近年来,随着国际经济形势的不断变化以及我国相关政策的出台,铁路货运市场得到了迅速发展。铁路相关管理部门需要及时了解货物运输情况,掌握货运市场的发展动态,提前做好路线规划以及合理分配运力资源。因此,准确地预测货运需求有利于铁路部门规划未来发展,研究出科学有效的铁路货运需求预测方法就显得尤为重要,对铁路部门工作有一定的指导参考意义。目前国内外学者对于铁路货运预测技术的研究比较全面,总体上可以分为两类,一类是不考虑影响因素,通过分析历史货运数据进行预测,另一类是通过分析待预测序列与相关影响因素之间的关系进行预测。本文针对这两类预测方法各自存在的问题开展研究,主要工作内容如下:（1）提出了基于单元相空间重构的货运需求预测模型。根据历史数据走向预测未来发展规律的方法存在一定的主观性,并且在面对波动较大的货运序列时,预测精度有限。因此,引入混沌理论将单元时间序列重构到多维相空间,改进了求解重构参数的C-C法,确定输入结构并利用非线性模型预测。同时考虑到利用单一的预测模型有一定的局限性,引入分解集成思想减小预测误差,将原始的货运序列分解得到低频和高频分量,利用线性模型预测低频分量,利用非线性模型预测高频分量,最后将各分解分量的预测结果相集成。（2）提出了基于多元相空间重构的货运需求预测模型。通过分析影响因素预测货运需求的方法,通常是选用常用的模型对多变量建模以逼近原货运系统,但这并不能充分挖掘货运系统的真实性质,影响预测精度。因此,在货运预测领域中引入混沌理论发掘系统内部规律,并结合非线性模型拟合货运系统演变的动态规律,提高预测精度。首先分析总结了货运需求的影响因素,选取关键的因素建立指标体系,其次求解待预测序列与影响因素序列的重构参数,判断各序列的混沌特性以及构建多元相空间,最后将多元相空间矩阵与神经网络相结合进行预测,为现有的货运预测方法提供了一种新的思路。本文在货运集装箱数据集上验证了两种预测模型的有效性,并与其他预测方法进行了对比,实验证明提出的两种预测方法具有更高的准确度。
马梦瑶[2]（2021）在《复杂性特征驱动的国际油价预测研究》文中提出
段佳音[3]（2021）在《基于群智能的某机场航站楼能耗预测模型与节能策略研究》文中进行了进一步梳理“一带一路”战略促进了我国与沿线国家的友好往来,错综复杂的机场航线发挥着至关重要的枢纽作用,数量庞大的航站楼纷纷落地建成。航站楼建筑体量大,因而带来的高能耗已经成为了城市建设中的突出问题,研究机场航站楼的节能优化运行具有重要的现实意义。从建筑控制系统节能角度出发,传统的集散控制系统组网复杂,安装成本高、耗时多且容易造成信息“孤岛”,在能源管理方面具有一定的弊端,不能完全满足现代化机场航站楼逐渐向“智慧型、节能型”转型的新要求。为了减少航站楼能源消耗,提高运行效率,本文基于群智能架构对航站楼存在的关键问题能耗监测和节能优化策略进行了研究,具体内容如下:首先,研究了基于群智能架构的某机场航站楼能耗监测系统,根据群智能架构搭建了某机场航站楼CPN（Computing Process Node）拓扑结构,通过生成树的方式获得空间单元和机电设备能耗标准信息集中的能耗信息,并利用B样条曲线法对数据进行校核提高数据的准确性。其次,对某机场航站楼能耗数据进行特征分析,判断其具有混沌特性,建立混沌理论和支持向量机的组合模型对航站楼未来时刻能耗进行预测,利用Markov链修正误差,实验结果表明,预测结果的均方根误差为0.4743,平均绝对百分比误差为0.1979,相较于Chaoa-SVR的RMSE值降低了0.3413,MAPE值减少了0.1692,预测精度显着提高。最后,基于某机场航站楼能耗短期预测结果,提出一种基于群智能的分布式协同调度策略,优化空调系统运行方式、调节照明亮度及行李传送系统运行速率来减少电耗,以航站楼电耗强度为评价指标验证航站楼的节能效果。本文基于群智能架构搭建了某机场航站楼能耗监测CPN拓扑结构,充分利用群智能节点组网简单、不容易存在信息“孤岛”等特点,获得机场航站楼更为全面准确的能耗数据。通过分析其能耗数据存在无序性、非线性等特征挖掘其内在混沌因子,拟合最小二乘直线斜率得到最大Lyapunov指数为0.0029,判断其存在混沌特性,建立Chaos-SVR预测模型,并利用Markov链修正误差,RMSE值和MAPE值分别减少了0.3413和0.1692。精确的预测结果为制定节能优化策略提供了可靠的数据来源,通过群智能分布式协同算法优化航站楼空调、照明、行李传送系统的电耗,以航站楼电耗强度验证其节能效果。
李曼[4]（2021）在《基于支持向量机的混沌时间序列预测》文中研究说明混沌广泛存在于自然现象及人类生活中,随着非线性科学的兴起,近年混沌研究已成为一热点,其中混沌时间序列也成为了研究的热题,已经被广泛应用到了很多不同的科学领域中,如交通流预测、股市预测、经济预测、风力预测及电力预测等等.因此探索更有效的混沌时间序列预测方法对混沌研究具有发展的理论和现实意义.因此,本文基于支持向量机模型,研究了混沌时间序列的预测,在不同模型和参数下,对超混沌系统的一维时间序列进行预测,主要完成了以下工作:1.利用支持向量回归模型预测混沌时间序列.首先使用了相同维数.不同时间延迟对相空间进行重构.其次对重构后的一维时间序列进行预测,为了分析支持向量回归模型不同的参数对预测结果的影响,选取三种不同的核函数,以及不同的正则项参数和Gamma参数对模型的预测结果进行对比.从预测结果可以看出,支持向量回归模型有很好的预测效果,并且选取延迟小的参数进行相空间重构预测效果更好.2.利用无偏最小二乘支持向量机模型对混沌时间序列进行预测.首先对最小二乘支持向量机加入定值参数消除偏置项,从而简化算法.其次利用无偏最小二乘支持向量机对超混沌系统的一维时间序列进行预测,并用粒子群优化算法对模型中核参数和正则项进行优化.选取不同的时间延迟进行对比分析,并且用决定系数对无偏最小二乘支持向量机模型进行评估,最后将无偏最小二乘支持向量机模型和机器学习其他的模型进行对比,证明了无偏最小二乘支持向量机的有效性.
林宇,苏爱军[5]（2020）在《重庆藕塘滑坡地下水位时间序列混沌性判别与预测》文中认为在周期性库水位涨落和季节性强降雨等因素影响下,藕塘滑坡前缘地下水位时间序列呈现混沌特性。以藕塘滑坡前缘水文孔（MZK5）地下水位序列为研究对象,进行混沌分析;并利用饱和关联维数法和最大Lyapunov指数法,在水位序列相空间重构的基础上对混沌特性验证。为克服粒子群算法本身的不足和SVR模型参数选取困难的缺点,采用基于遗传选择策略的粒子群算法（GSSPSO）优化选取SVR模型的参数,再用预测性能较为精准的回归型支持向量机（SVR）模型对其进行预测。对MZK5水文孔地下水位进行了BP神经网络模型预测和优化后模型（GSSPSO-SVR）预测。结果表明:藕塘滑坡前缘地下水位序列具有混沌特征,GSSPSOSVR模型预测结果的均方根误差为0.036 m,拟合优度为0.803,说明GSSPSO-SVR模型预测效果较理想,且预测精度高于BP网络模型,具有较强的实用性。
王震[6]（2020）在《雨天环境下高速公路交通流特性分析及预测研究》文中认为目前,我国道路的交通管控和行车安全问题日益凸显。相比城市道路,高速公路的交通流具有更强的时变特性,也更容易受到不利天气因素,特别是雨天环境的影响。因此,本文基于北京市的降雨数据和高速公路的交通流数据,研究雨天环境下高速公路的交通流特性,掌握其分布和变化规律,并对其做出准确稳定的预测,为交通管控提供依据,保障交通系统的稳定运行。论文的主要内容有:（1）针对降雨数据和高速公路交通流数据进行了时空匹配。首先,针对错误的交通流数据,采用一种融合阀值法和交通流基本理论的方法进行数据剔除。其次,针对非连续缺失的交通流数据和降雨数据,采用最邻近均值填充法进行数据填充。然后,将清洗后的交通流数据和降雨数据统一粒度,完成两种数据的时间与空间匹配,提升数据的准确性和可用性。（2）分析了降雨对高速公路交通流特性的影响。首先,分析了高速公路工作日和周末的交通流基本特性,描述了交通流速度和交通流量的分布与变化规律。其次,针对影响交通流参数（自由流速度、速度和流量）的潜在因素,包括降雨强度、日期类别、车道数量和时段,通过多因素方差分析的方法探究了这些因素对交通流参数的独立影响和交叉影响的显着程度。然后,基于显着性分析的结果,利用统计方法分析了各影响因素的不同水平对交通流参数的影响程度。（3）提出了基于LSTM的雨天环境下交通流预测模型。首先,使用三种自适应调整学习率的梯度下降优化算法对LSTM模型的内部权重进行优化,经过验证得出Adam算法的性能最优。其次,使用一种自适应非线性惯性权重PSO算法对LSTM进行参数寻优,构建了APSO-LSTM交通流预测模型。然后,利用搭建的预测模型进行不同降雨场景下的交通流预测,以历史速度、流量和降雨量的时间序列作为输入来预测速度和流量。通过实际路段进行验证,加入SVR模型进行对比。结果表明,APSO-LSTM模型的预测精度和稳定性均优于LSTM模型和SVR模型。（4）提出了基于GRU的雨天环境下交通流预测模型。首先,针对LSTM模型和APSO-LSTM模型在持续性降雨场景下的可移植性和预测精度有待提升的问题,在LSTM网络的基础上提出了GRU网络。其次,通过Adam算法和APSO算法分别对GRU模型的内部权重和参数进行优化,提出了APSO-GRU交通流预测模型。然后,在相同的路段和降雨场景下进行实例验证,结果表明,APSO-GRU模型比APSO-LSTM模型的预测稳定性大幅提升,在持续性降雨时能更好地提取降雨特征,平均预测准确率达到了96.74%,相比APSO-LSTM模型提高了2.39%。
王润沛[7]（2020）在《基于机器学习的分布式光纤监测覆岩变形矿压预测研究》文中认为采场覆岩变形是矿山压力驱动下岩体变形、破裂与失稳过程,表现在覆岩大范围变形、离层发展、裂隙等方面,造成工作面强压等矿井灾害。因此,为了掌握矿山压力显现规律,针对岩石内部变形预测难的问题,采用分布式光纤监测岩石内部变形,引入光纤平均频移变化度作为判断周期来压指标,验证光纤表征覆岩变形机理,并将监测到的数据作为样本集,结合机器学习算法构建矿压预测模型。本文以大柳塔煤矿浅埋煤层地质条件实验的39组开挖数据,为实验样本。对其数据相空间重构,重构后的数据,取后11次开挖为测试集,共出现2次矿压显现。采用多种机器学习算法如:神经网络、支持向量机,集成算法:随机森林、GBDT、XGBoost算法,建立矿山压力显现规律时间序列预测模型。在训练样本和测试样本不变的前提下,BP神经网络类回归模型（BPNN）成功预测出1次周期来压、支持向量机类回归模型（SVR）预测出2次周期来压,相比于前两种算法,集成学习表现更好,其中以XGBoost回归算法（XGBR）为代表集成算法在预测矿压表现最优,不仅成功预测出两次周期来压,而且在计算速度和模型指标都是最优,明显高于其他模型。单一地质资料还不能说明XGBoost的预测性能,因此,以义马煤田巨厚砾岩为地质条件的三维模型监测数据的60组开挖数据为样本,取后12开挖为测试集共5次矿压显现,建立不同地质资料模型才能说明算法的普遍适用性。实施大型三维立体模型,获取光纤传感数据,根据其表征覆岩变形的频移值为数据集,建立机器学习模型。比较神经网络、支持向量机和XGBoost三种具有代表的机器学习方法来做预测模型。试验结果表明,集成类算法XGBoost效果好于其他两种算法,成功预测出5次矿压显现规律。在不同地质条件下结合光纤可以做很好的矿压预测,为矿压预测提供科学方法。通过本文研究,建立了光纤感知-自学习-矿压预测为一体的预测模型,揭示了其之间存在响应关系,可以很好的结合来解决矿压预测的问题,为智能化开采上覆岩层变形引起的矿压预测提供定量化科学依据。
林艳艳[8]（2020）在《自适应学习机制驱动的多目标进化算法研究》文中研究指明大数据背景下,高效处理海量、高维、不确定数据的迫切需要对传统的信息处理技术提出了挑战。以进化计算为代表的智能计算方法被认为是处理复杂多目标问题的有效手段,近年来已成为研究的前沿和热点关注领域。目前,多目标进化算法已在众多领域得到十分广泛的应用,并解决了许多非常有价值的实际问题,其研究成果已经渗透到多个学科。然而,在进化多目标求解的过程中,仍然需要重点关注以下两个方面:1)如何提高多目标进化算法的通用性;2)如何在多目标进化算法搜索过程中融入问题的特征,以实现问题的高效求解。有鉴于此,本论文旨在研究自适应学习机制驱动的多目标进化算法,并对其在复杂多目标优化问题的高效求解方面展开研究,主要创新性工作如下:1.多目标差分进化算法和基于规则的多目标分布估计算法对于不同类型问题的求解具有各自的优势和不足,如何有效融合各自的优势是提高算法计算效率的一种重要途经。为此,提出一种自适应协方差学习模型驱动的多目标混合差分-分布估计算法。首先,通过矩阵理论分析差分进化算子的数学特征以及对不同类型优化问题的影响。其次,利用协方差矩阵来识别种群分布的数据关联特性,以此构建特征坐标系,并利用Sigmoid函数实现差分进化算子在两个坐标系下的协同搜索。接着,在进化的后期利用规则模型和负相关选择使得算法能够尽可能地覆盖整个Pareto结构,从而提高计算效率;最后,与3个多目标差分进化算法和3个基于规则的多目标分布估计算法在两组不同类型的测试函数上进行比较。实验结果表明,提出的算法能够有效解决不同类型的多目标问题,具有更强的鲁棒性。2.针对逆学习模型在不规则Pareto前沿的多目标优化问题上遭遇计算效率低的问题,提出一种自适应逆学习模型驱动的多目标进化算法。该算法将整个进化过程划分为探索和开发两个阶段,在探索阶段利用均匀分布的参考向量来提高算法的探索能力;在开发阶段,外部精英存档中的非支配解被用来自适应地调整参考向量的分布,这有利于提高算法的勘探能力。此外,偏好交叉和逆学习模型的协同搜索进一步提高了算法的计算效率。最后,与六个基于规则的多目标进化算法在18个不规则的测试函数上进行比较。实验结果表明,真实验结果表明,提出的算法能够有效解决各种类型的不规则多目标优化问题。3.针对基于规则的学习模型和逆学习模型的进化种群在决策空间和目标空间分布的不平衡的问题,提出一种自适应双空间学习模型驱动的多目标进化算法。该算法首先引入一种基于序列化的种群初始化方法来识别距离函数的适应度特征,这有利于降低算法陷入Pareto局部最优的风险;其次,设计一种自适应机制来调节计算资源的分配,以实现两种学习模型的优势互补;接着,通过集成双空间的环境选择策略实现同时兼顾种群在不同空间分布多样性的目标;最后,与六个基于规则的多目标进化算法在22个测试函数上进行比较。数值模拟与仿真实验结果表明,提出的算法的性能明显优于其它对比算法。4.针对混沌时间序列预测和电力负荷预测中的建模问题,构建一种多目标引导的稀疏深度信念网络。在网络训练种,该模型将带有稀疏惩罚因子的单目标函数转化为包含有重构误差和稀疏程度的双目标函数,并结合多目标进化算法和CD-1方法实现参数的自动选择,避免了手动调节稀疏惩罚因子难的问题。数值实验结果表明多目标引导的深度信念网络在时间序列预测的应用中比其它常用模型具有一定的优越性。
吕明阳[9]（2020）在《燃煤炉窑烧结系统的混沌分析与特征提取》文中研究表明燃煤窑炉是冶金、化工、电力、水泥和活性石灰等基础工业领域的关键生产设备,也是主要的能耗设备。窑炉内燃煤过程（烧结过程）工况的稳定决定了产品的品质、煤粉的消耗量和污染物排放水平,是燃煤窑炉实现“节能减排”的关键。然而,由于窑炉烧结过程存在大量的物理和化学反应、物质和能量的交换,这限制了研究人员对燃煤窑炉内在动力学机理的认知,以及实际的工业应用效果。对此,本文以氧化铝回转窑烧结系统为研究对象,基于生产现场的热工数据,从非线性系统的角度研究了烧结系统的混沌辨识问题和基于混沌的实际应用,为燃煤窑炉的稳定控制奠定基础。本文主要工作和创新如下:（1）很多领域的混沌研究主要是基于数学方程或者小型样机,但是这些方法不适用于燃煤窑炉的混沌研究。对此,本文以氧化铝回转窑的烧结系统为例,基于生产现场实际的热工数据,研究了数学方程未知的燃煤窑炉烧结系统的混沌辨识问题。其中,针对数据来源、数据长度和数据采样周期对结果的影响,首先选择了不同数据长度和不同采样周期的烧结温度数据和窑头温度数据;对每一组数据使用相空间重构方法获得若干候选的动态轨迹,然后基于混沌特征量的性质从每组数据的候选动态轨迹中确定出一个合适的动态轨迹。最后,使用每组数据的分析结果相互印证,首次确定了氧化铝回转窑的烧结系统是一个具有混沌特征的五阶系统。（2）燃煤窑炉中存在的噪声干扰了信号的检测和系统的控制,并且噪声的种类和特征等尚不清楚。对此,本文分析了从五种热工数据中提取的噪声数据的混沌特征和多分形特征。实验结果表明氧化铝回转窑烧结系统中的噪声既不是高斯白噪声,又不是单分形的彩色噪声,而是具有混沌特征和多分形特征的确定信号,并且分析了噪声难以有效预测的原因。（3）针对应用于燃煤窑炉的深度学习软测量模型存在计算复杂度高、未考虑系统动力学特征和缺乏可解释性的缺点,本文从混沌时间序列预测的角度,结合回转窑烧结系统的强耦合、大滞后和参数时变的非线性特征以及实际生产中检测数据可能存在风险的情况,提出了一个预测精度高、计算复杂度小和可解释性强的集成预测框架,以实现窑头温度混沌时间序列的精确在线预测。其中,针对烧结系统具有大滞后的特征,使用相空间重构方法获取与烧结系统拓扑等价的动态轨迹;Volterra滤波器被用于拟合出烧结系统的状态和输出之间的函数关系;针对烧结系统的参数具有时变特征会减弱固定模型的性能,每次预测前使用滑窗技术更新Volterra滤波器的核来实现模型的动态更新;针对实际工业数据中会包含不可靠的值,使用偏差补偿技术将每一个预测值进行校正之后作为最终的预测值。（4）燃煤窑炉内恶劣的生产环境会掩盖火焰图像颜色、纹理、梯度等众多有用信息,阻碍了基于火焰图像或视频的烧结工况识别方法的性能。对此,本文提出了基于火焰图像的平均灰度值序列和混沌特征量的火焰温度变化趋势的混沌特征提取方法,以实现火焰温度变化趋势的准确识别,提升燃煤窑炉自动化水平。其中,不仅基于混沌理论和熵理论解释了此方法的有效性,还基于标准数据和氧化铝回转窑的火焰视频数据验证了本方法的有效性。
娄天泷[10]（2020）在《基于多元混沌序列环境重金属LSTM预测改进》文中研究表明随着我国经济和人民生活水平的提高,生活中重金属污染变得更加严重,而重金属具有较强的毒性,这会对人们的生产和生活产生较大的危害。在流域中水资源直接影响所在流域的可持续发展,如果流域中重金属超标将会对自然环境和居民产生较大的影响,所以对重金属含量的中短期精准预测具有现实的意义。为此本文以大夏河流域中土壤重金属含量为研究对象,进行了以下相关工作:首先,由于重金属含量受温度、日径流、PH值等多种因素的共同影响,所以依靠传统单因子的预测模型不能取得较为理想的预测效果。因此本文结合温度和日径流建立起还原程度更高的关于重金属含量的多元混沌相空间,在此相空间内涵盖了重金属含量受其他因素影响后的所有可能状态,这样将为后期的预测提供全面的预测支撑。其次,在建立起合适的多元混沌相空间后就需要选择合适的预测方法,目前神经网络的出现受到人们的广泛关注,因此文章使用径向基神经网络（RBF）作为重金属含量的对比实验,并基于多元混沌相空间重构和增加窥视孔连接的长短期记忆（LSTM）循环神经网络提出了PS-LSTM的预测模型。PS-LSTM预测模型的优点主要体现在能够对复杂且非线性的数据重构多元混沌相空间,还原出输入数据的真实状态。改进的LSTM神经网络则能够在“记忆细胞”中获得更多上一单元和此刻输入的数据,进而提高模型的预测效果。经过实验发现本文提出的PS-LSTM模型RMSE为0.0927,MAE为0.2102,优于Volterra级数一步预测、RBF神经网络预测和更加适用于小数据量的支持向量回归预测模型。最后本文还使用PS-LSTM对密西西比河流域的一个棉花试验场中棉花产量进行预测,对模型的普适性进行论证,经过计算RMSE和MAE比预测准确度最好的传统LSTM模型提高了9.28%和2.78%,因此,该模型对于复杂非线性的系统预测具有更好的预测效果。
二、基于SVR的混沌时间序列预测（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于SVR的混沌时间序列预测（论文提纲范文）
（1）基于相空间重构的铁路货运需求预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 货运需求预测技术 |
| 1.3.2 混沌时间序列预测技术 |
| 1.4 本文研究内容 |
| 1.5 论文组织结构 |
| 2 相关背景知识 |
| 2.1 相空间重构理论 |
| 2.1.1 相空间重构意义 |
| 2.1.2 重构参数确定方法 |
| 2.1.3 混沌特性识别 |
| 2.2 传统C-C法 |
| 2.3 变分模态分解 |
| 2.4 支持向量回归机 |
| 2.5 差分自回归滑动平均模型 |
| 2.6 预测结果评价标准 |
| 2.7 本章小结 |
| 3 基于单元相空间重构的货运需求预测模型 |
| 3.1 模型框架 |
| 3.2 算法设计 |
| 3.3 实证分析 |
| 3.3.1 实验数据及环境 |
| 3.3.2 VMD算法分解 |
| 3.3.3 ARIMA模型预测 |
| 3.3.4 SVR模型预测 |
| 3.3.5 预测结果及分析 |
| 3.4 本章小结 |
| 4 基于多元相空间重构的货运需求预测模型 |
| 4.1 模型框架 |
| 4.2 构建货运需求指标体系 |
| 4.2.1 影响因素定性分析 |
| 4.2.2 影响因素定量分析 |
| 4.3 算法设计 |
| 4.4 预测实验及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 构建多元相空间 |
| 4.4.3 预测结果及分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于群智能的某机场航站楼能耗预测模型与节能策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容及论文结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 2 基于群智能架构的某机场航站楼能耗监测系统 |
| 2.1 某航站楼能耗构成分析 |
| 2.2 基于群智能的能耗监测系统 |
| 2.2.1 新型建筑智能化平台技术 |
| 2.2.2 基于群智能的能耗监测CPN拓扑结构 |
| 2.2.3 一种基于生成树算法的能耗采集网络 |
| 2.3 能耗监测系统的信息处理技术研究 |
| 2.3.1 能耗异常值处理 |
| 2.3.2 建立能耗标准信息集 |
| 2.4 小结 |
| 3 某机场航站楼能耗预测模型研究 |
| 3.1 能耗特征分析 |
| 3.2 某机场航站楼能耗预测模型研究 |
| 3.2.1 建模方法研究 |
| 3.2.2 能耗混沌特性判别 |
| 3.2.3 建立Chaos-SVR预测模型 |
| 3.2.4 预测结果分析 |
| 3.3 基于Markov链的能耗预测模型修正 |
| 3.3.1 Markov链修正原理 |
| 3.3.2 Markov链修正结果 |
| 3.4 模型验证 |
| 3.4.1 评价指标 |
| 3.4.2 模型评价 |
| 3.5 小结 |
| 4 基于群智能的某机场航站楼节能策略研究 |
| 4.1 某机场航站楼节能优化目标 |
| 4.2 基于群智能的节能优化策略 |
| 4.2.1 基于群智能的分布式协同调度算法 |
| 4.2.2 某机场航站楼主要用能系统的节能策略 |
| 4.3 节能评价 |
| 4.4 小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士期间发表的学术论文及成果 |
| 致谢 |
（4）基于支持向量机的混沌时间序列预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第二章 预备知识 |
| 2.1 混沌时间序列预测理论基础 |
| 2.1.1 相空间重构意义 |
| 2.1.2 嵌入维数确定 |
| 2.1.3 嵌入延迟确定 |
| 2.2 本章小结 |
| 第三章 基于支持向量回归模型的混沌时间序列预测 |
| 3.1 引言 |
| 3.2 支持向量回归(SVR) |
| 3.3 核函数 |
| 3.4 单步预测模型构建 |
| 3.5 数据集划分 |
| 3.6 数值模拟 |
| 3.6.1 不同核函数比较 |
| 3.6.2 不同正则项比较 |
| 3.6.3 不同gamma比较 |
| 3.7 本章小结 |
| 第四章 基于PSO-无偏LSSVM模型的混沌时间序列预测 |
| 4.1 引言 |
| 4.2 最小二乘支持向量机(LSSVM) |
| 4.3 无偏LSSVM |
| 4.4 粒子群算法 |
| 4.5 数值模拟 |
| 4.5.1 无偏LSSVM模型 |
| 4.5.2 PSO-无偏LSSVM模型 |
| 4.6 本章小结 |
| 第五章 结论与后续研究工作 |
| 5.1 主要工作及结论 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 个人简介、在学期间学术成果情况 |
（5）重庆藕塘滑坡地下水位时间序列混沌性判别与预测（论文提纲范文）
| 1 研究背景 |
| 2 藕塘滑坡概况 |
| 3 地下水位的相空间重构与混沌判别 |
| 3.1 相空间重构 |
| 3.2 混沌判别 |
| 4 GSSPSO-SVR模型的基本原理 |
| 4.1 基于遗传选择策略的粒子群算法（GSSP-SO算法） |
| 4.2 回归型支持向量机（SVR模型） |
| 5 MZK5地下水位时间序列的混沌判别与模型预测 |
| 5.1 MZK5地下水位混沌判别 |
| 5.1.1 相空间重构 |
| 5.1.2 混沌判别 |
| 5.2 GSSPSO-SVR模型预测地下水位值 |
| 6 结论 |
（6）雨天环境下高速公路交通流特性分析及预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雨天环境对交通流的影响研究 |
| 1.2.2 交通流预测研究 |
| 1.2.3 研究现状小结 |
| 1.3 研究内容与技术路线 |
| 2 数据预处理 |
| 2.1 交通流数据的预处理 |
| 2.1.1 研究区域高速公路概况 |
| 2.1.2 交通流数据的来源 |
| 2.1.3 交通流数据的清洗 |
| 2.2 降雨数据的预处理 |
| 2.2.1 降雨等级的划分 |
| 2.2.2 降雨数据的获取 |
| 2.2.3 降雨数据的清洗 |
| 2.3 交通流数据与降雨数据的时空匹配 |
| 2.4 本章小结 |
| 3 雨天环境对高速公路交通流特性的影响分析 |
| 3.1 雨天环境对高速公路交通的影响 |
| 3.2 高速公路交通流特性及其影响因素分析 |
| 3.2.1 交通流特性基本统计分析 |
| 3.2.2 自由流速度的影响因素分析 |
| 3.2.3 交通流速度的影响因素分析 |
| 3.2.4 交通流量的影响因素分析 |
| 3.3 降雨对高速公路自由流速度的影响 |
| 3.4 降雨对高速公路交通流速度的影响 |
| 3.4.1 交通流速度的标准化 |
| 3.4.2 不同降雨强度下的交通流速度分布特性 |
| 3.4.3 不同时段下的交通流速度分布特性 |
| 3.5 降雨对高速公路交通流量的影响 |
| 3.5.1 交通流量的标准化 |
| 3.5.2 不同降雨强度下交通流量的分布特性 |
| 3.5.3 不同时段下交通流量的分布特性 |
| 3.6 本章小结 |
| 4 基于LSTM的雨天环境下交通流预测研究 |
| 4.1 循环神经网络机理概述 |
| 4.2 神经网络目标函数优化 |
| 4.2.1 目标函数优化方法 |
| 4.2.2 梯度下降优化算法 |
| 4.3 基于LSTM的交通流预测模型设计 |
| 4.3.1 LSTM模型的结构及训练过程 |
| 4.3.2 LSTM预测模型搭建及参数设置 |
| 4.4 基于APSO-LSTM的交通流预测模型 |
| 4.4.1 粒子群优化算法(PSO)的机理 |
| 4.4.2 PSO算法的流程及参数设置 |
| 4.4.3 自适应非线性惯性权重PSO |
| 4.4.4 APSO-LSTM预测模型搭建 |
| 4.4.5 模型参数设置 |
| 4.5 实例预测结果分析 |
| 4.5.1 实验相关说明 |
| 4.5.2 非持续性降雨时的预测结果 |
| 4.5.3 持续性降雨时的预测结果 |
| 4.5.4 预测结果对比评价分析 |
| 4.6 本章小结 |
| 5 基于GRU的雨天环境下交通流预测研究 |
| 5.1 GRU模型的结构及训练过程 |
| 5.2 GRU预测模型搭建及参数设置 |
| 5.3 基于APSO-GRU的交通流预测模型 |
| 5.3.1 APSO-GRU预测模型搭建 |
| 5.3.2 模型参数设置 |
| 5.4 实例预测结果分析 |
| 5.4.1 非持续性降雨时的预测结果 |
| 5.4.2 持续性降雨时的预测结果 |
| 5.4.3 预测结果对比评价分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文主要工作 |
| 6.2 创新性成果 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于机器学习的分布式光纤监测覆岩变形矿压预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1.绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 覆岩变形及监测研究现状 |
| 1.2.2 分布式光纤传感技术及应用现状 |
| 1.2.3 机器学习应用现状 |
| 1.3 研究内容及方法、技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及技术路线图 |
| 2.分布式光纤表征矿压数据预测原理 |
| 2.1 分布式光纤BOTDA传感原理 |
| 2.2 光纤频移变化度表征矿压原理 |
| 2.3 光纤频移变化度混沌时间序列分析 |
| 2.3.1 光纤频移变化度表征矿压混沌理论分析 |
| 2.3.2 光纤频移变化度相空间重构 |
| 2.4 机器学习在矿压时序预测中的应用 |
| 2.4.1 机器学习表示的问题 |
| 2.4.2 机器学习构建矿压预测时序模型 |
| 2.4.3 分布式光纤监测覆岩变形智能化预测系统 |
| 2.5 文章小结 |
| 3.浅埋煤层矿压数据处理分析 |
| 3.1 相似材料模型试验 |
| 3.1.1 地质条件 |
| 3.1.2 相似材料配比设计 |
| 3.1.3 模型设计及光纤布置 |
| 3.2 覆岩变形监测结果分析 |
| 3.2.1 模型开挖过程覆岩变形特征 |
| 3.2.2 分布式光纤监测结果分析 |
| 3.2.3 采场来压垂直光纤判别表征 |
| 3.3 光纤频移变化度数据处理 |
| 3.3.1 数据归一化及模型性能指标 |
| 3.3.2 延迟时间及嵌入维数确定 |
| 3.3.3 光纤频移变化度混沌性判别 |
| 3.4 本章小节 |
| 4.浅埋煤层矿压显现预测 |
| 4.1 传统算法预测矿压 |
| 4.1.1 BP神经网络预测矿压数据 |
| 4.1.2 遗传神经网络预测矿压数据 |
| 4.1.3 支持向量机预测矿压 |
| 4.2 集成学习预测矿压 |
| 4.2.1 随机森林预测矿压数据 |
| 4.2.2 GBDT预测矿压数据 |
| 4.2.3 XGBoost预测矿压数据 |
| 4.3 多模型分析对比 |
| 4.4 本章小结 |
| 5.深部巨厚砾岩覆岩变形矿压预测 |
| 5.1 工程概况 |
| 5.1.1 矿井地质 |
| 5.1.2 光纤监测矿压数据 |
| 5.2 XGBR预测矿山压力显现 |
| 5.3 本章小结 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）自适应学习机制驱动的多目标进化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号对照表 |
| 缩略语对照表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状 |
| 1.3 现有研究的不足和分析 |
| 1.4 本文的主要工作 |
| 2 基础知识 |
| 2.1 多目标优化问题 |
| 2.2 两类多目标分布估计算法 |
| 2.2.1 基于规则模型的多目标分布估计算法 |
| 2.2.2 基于高斯过程逆模型的多目标分布估计算法 |
| 2.3 快速非支配排序选择策略 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 3 自适应协方差学习模型驱动的多目标混合差分-分布估计算法 |
| 3.1 引言 |
| 3.2 提出的算法 |
| 3.2.1 差分进化算子的数学特征分析 |
| 3.2.2 自适应协方差学习 |
| 3.2.3 负相关学习 |
| 3.3 算法框架 |
| 3.4 最坏情况计算复杂度分析 |
| 3.5 实验研究 |
| 3.5.1 测试函数 |
| 3.5.2 参数设置 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 自适应逆学习模型驱动的多目标进化算法 |
| 4.1 引言 |
| 4.2 提出的算法 |
| 4.2.1 外部精英存档策略 |
| 4.2.2 动态参考向量的设计 |
| 4.2.3 偏好交叉操作 |
| 4.3 算法框架 |
| 4.4 最坏情况计算复杂度分析 |
| 4.5 实验研究 |
| 4.5.1 测试函数 |
| 4.5.2 参数设置 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 5 自适应双空间学习模型驱动的多目标进化算法 |
| 5.1 引言 |
| 5.2 提出的算法 |
| 5.2.1 基于序列的确定性初始化方法 |
| 5.2.2 学习模型的自适应选择策略 |
| 5.2.3 集成双空间的自适应环境选择策略 |
| 5.3 算法框架 |
| 5.4 最坏情况计算复杂度分析 |
| 5.5 实验研究 |
| 5.5.1 测试函数 |
| 5.5.2 参数设置 |
| 5.5.3 实验结果与分析 |
| 5.6 本章小结 |
| 6 基于多目标深度信念网络的时间序列预测模型 |
| 6.1 时间序列预测 |
| 6.2 多目标引导的稀疏深度信念网络 |
| 6.2.1 深度信念网络模型 |
| 6.2.2 多目标引导的稀疏RBM训练 |
| 6.3 实验研究 |
| 6.3.1 混沌时间序列预测 |
| 6.3.2 电力负荷预测 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A |
| 附录B |
| 攻读博士学位期间的研究成果 |
| 1. 完成的论文成果 |
| 2. 参与的科研项目 |
| 3. 完成的论文成果 |
（9）燃煤炉窑烧结系统的混沌分析与特征提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 混沌研究概述 |
| 1.3 复杂工业系统中混沌的研究与应用 |
| 1.4 工业噪声的研究现状 |
| 1.5 窑炉烧结工况检测的研究现状 |
| 1.6 现有研究工作存在的问题和挑战 |
| 1.7 本文的研究内容和结构安排 |
| 第2章 混沌分析和预测方法 |
| 2.1 引言 |
| 2.2 相空间重构 |
| 2.2.1 基于延时坐标嵌入技术的相空间重构方法 |
| 2.2.2 延迟时间的估计 |
| 2.2.3 嵌入维数的估计 |
| 2.3 混沌特征辨识方法 |
| 2.3.1 李雅普诺夫指数谱 |
| 2.3.2 最大李雅普诺夫指数 |
| 2.3.3 分数维 |
| 2.4 基于相空间重构的混沌时间序列预测方法 |
| 2.5 本章小结 |
| 第3章 烧结系统中热工变量的混沌特征辨识 |
| 3.1 引言 |
| 3.2 实验对象和实验数据介绍 |
| 3.3 烧结温度数据的混沌特征分析 |
| 3.3.1 烧结温度数据提取 |
| 3.3.2 烧结温度数据的混沌特征辨识 |
| 3.3.3 烧结温度的三维相图 |
| 3.3.4 烧结温度混沌时间序列预测 |
| 3.4 窑头温度的混沌特征辨识 |
| 3.4.1 窑头温度数据 |
| 3.4.2 窑头温度数据的混沌特征辨识 |
| 3.5 本章小结 |
| 第4章 烧结系统中噪声的混沌特征和多分形特征分析 |
| 4.1 引言 |
| 4.2 氧化铝回转窑噪声数据的提取 |
| 4.2.1 基于小波包分解的噪声提取 |
| 4.2.2 基于Gao方法的噪声提取 |
| 4.3 噪声数据的混沌特征分析 |
| 4.4 噪声数据的统计特征分析 |
| 4.4.1 基于白噪声零假设的代替分析 |
| 4.4.2 基于彩色噪声零假设的代替分析 |
| 4.5 噪声数据的多分形特征分析 |
| 4.5.1 MFDFA方法和多分形特征简介 |
| 4.5.2 彩色噪声的单分形特征 |
| 4.5.3 回转窑噪声的多分形特征分析 |
| 4.5.4 回转窑噪声的多分形特征的来源分析 |
| 4.6 本章小结 |
| 第5章 窑头温度混沌时间序列在线预测 |
| 5.1 引言 |
| 5.2 基于混合动态预测框架的窑头温度混沌时间序列在线精确预测 |
| 5.2.1 基于固定滑窗技术的局部Volterra滤波器 |
| 5.2.2 偏差补偿 |
| 5.3 具有时滞特征的MG方程产生的混沌时间序列的精确预测 |
| 5.3.1 未加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.3.2 加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.4 窑头温度混沌时间序列的精确在线预测 |
| 5.4.1 模型的参数估计 |
| 5.4.2 对比模型和参数设置 |
| 5.4.3 结果和分析 |
| 5.5 本章小结 |
| 第6章 基于混沌特征量的火焰温度变化趋势识别方法 |
| 6.1 引言 |
| 6.2 火焰温度变化趋势的混沌特征提取方法 |
| 6.3 基于标准数据的方法有效性验证 |
| 6.3.1 样本熵 |
| 6.3.2 实验设计 |
| 6.3.3 实验结果和分析 |
| 6.4 基于实际火焰视频的方法有效性验证 |
| 6.4.1 实验数据的提取 |
| 6.4.2 实验数据的分析 |
| 6.4.3 基于固定温度区间的方法有效性验证 |
| 6.4.4 基于不固定温度区间的方法有效性验证 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于多元混沌序列环境重金属LSTM预测改进（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 组织结构 |
| 第2章 研究区域概况和数据处理方法 |
| 2.1 主要研究区域概况 |
| 2.2 数据处理 |
| 2.2.1 数据的收集 |
| 2.2.2 数据清洗 |
| 2.2.3 数据的归一化 |
| 2.3 评价指标的分析 |
| 2.4 本章小结 |
| 第3章 多元混沌相空间重构 |
| 3.1 混沌理论 |
| 3.2 相空间重构理论 |
| 3.3 相空间重构参数的求解 |
| 3.3.1 选取合适的影响因子 |
| 3.3.2 模型参数的计算 |
| 3.3.3 模型的混沌特征 |
| 3.3.4 重建关于重金属含量的多元混沌相空间 |
| 3.4 本章小结 |
| 第4章 传统神经网络预测方法 |
| 4.1 基于RBF神经网络的预测 |
| 4.2 基于VOLTERRA级数模型的预测 |
| 4.3 基于支持向量回归的预测 |
| 4.4 本章小结 |
| 第5章 改进的PS-LSTM预测模型 |
| 5.1 传统LSTM神经网络理论 |
| 5.2 改进的LSTM预测模型 |
| 5.3 基于改进的LSTM模型的重金属含量预测 |
| 5.4 预测模型比较 |
| 5.5 关于PS-LSTM模型普适性的论证 |
| 5.5.1 棉花多元混沌相空间的建立 |
| 5.5.2 棉花产量的相关预测 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及研究成果 |
四、基于SVR的混沌时间序列预测（论文参考文献）
- [1]基于相空间重构的铁路货运需求预测技术研究[D]. 徐菲. 北京交通大学, 2021
- [2]复杂性特征驱动的国际油价预测研究[D]. 马梦瑶. 北京化工大学, 2021
- [3]基于群智能的某机场航站楼能耗预测模型与节能策略研究[D]. 段佳音. 西安建筑科技大学, 2021
- [4]基于支持向量机的混沌时间序列预测[D]. 李曼. 北方民族大学, 2021(08)
- [5]重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 林宇,苏爱军. 人民长江, 2020(S1)
- [6]雨天环境下高速公路交通流特性分析及预测研究[D]. 王震. 北京交通大学, 2020(03)
- [7]基于机器学习的分布式光纤监测覆岩变形矿压预测研究[D]. 王润沛. 西安科技大学, 2020(01)
- [8]自适应学习机制驱动的多目标进化算法研究[D]. 林艳艳. 西安理工大学, 2020
- [9]燃煤炉窑烧结系统的混沌分析与特征提取[D]. 吕明阳. 湖南大学, 2020
- [10]基于多元混沌序列环境重金属LSTM预测改进[D]. 娄天泷. 西北师范大学, 2020(01)