会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

【EMS】基于支持向量机回归和相关维数估计的环境缺失数据时间序列预测

环境时间序列经常受到数据缺失的影响，即某些时间点的数据不可用。本文提出了迭代插值和预测算法，该算法允许对具有缺失数据的时间序列进行预测。该算法迭代地使用生成时间序列的底层动态系统的相关维数估计来固定模型顺序（即，需要多少过去的样本来准确地对时间序列进行建模），并使用支持向量机回归来估计时间序列的骨架。该算法在三个环境时间序列上的实验验证表明，在测试集上，所有时间序列的平均百分比预测误差都很小。

  • 2024-05-26
  • 阅读103

【InformationSciences】小扰动就足够了：对时间序列预测的对抗性攻击

时间序列数据在现实世界的工业场景中广泛存在。为了在实际应用中恢复和推断信息，时间序列预测问题作为数据挖掘中的一个经典研究课题得到了广泛的研究。深度学习架构已被视为下一代时间序列预测模型。然而，最近的研究表明，深度学习模型很容易受到对抗性攻击。在这项研究中，我们前瞻性地研究了时间序列预测对抗性攻击的问题，并提出了一种攻击策略，通过在原始时间序列中添加恶意扰动来降低时间序列预测模型的性能，从而生成对抗性时间序列。具体地，利用预测模型的梯度信息，提出了一种基于扰动的对抗性示例生成算法。在实践中，与图像处理领域中人类无法察觉的情况不同，时间序列数据对异常扰动更敏感，并且对扰动量有更严格的要求。为了应对这一挑战，我们基于重要性测量制作了一个对抗性时间序列，以稍微干扰原始数据。基于在真实世界时间序列数据集上进行的综合实验，我们验证了所提出的对抗性攻击方法不仅有效地欺骗了目标时间序列预测模型LSTNet，而且还攻击了最先进的基于CNN、RNN和MHANET的模型。同时，结果表明，所提出的方法具有良好的可移植性。也就是说，为特定预测模型生成的对抗性示例会显著影响其他方法的性能。此外，通过与现有的对抗性攻击方法的比较，我们可以看到，对于所提出的基于重要性测量的对抗性进攻方法来说，更小的每次扰动就足够了。本文中描述的方法对于理解对抗性攻击对时间序列预测的影响和提高此类预测技术的稳健性具有重要意义。 关键词：时间序列数据，时间序列预测，对抗性攻击

  • 2024-05-26
  • 阅读128

【PR】基于聚类分析和稀疏罚分的电力时间序列分层预测

在大数据应用中，分层时间序列预测是决策的一个重要元素，它关系到通过对账方法保持的固有聚合一致性。本文提出了一种新的基于多选择聚类时间序列分析的分层电力时间序列预测方法。我们不是被动地坚持聚合一致性，而是首先利用时间序列挖掘来构建层次结构，然后应用最优协调方法来提高预测精度。特别地，采用k均值聚类方法对不同k的时间序列进行多次聚类，从而形成大量的时间序列聚类（模式），然后分别构建基于聚类的层次结构。针对大量的聚类层次结构和原有的地理层次结构，提出了一种基于最优聚合一致性协调的预测方法。此外，在我们的方法中，稀疏惩罚适用于“理想”聚类选择，以提高预测性能。与现实数据集上的最先进方法相比，我们的方法对电力负荷和太阳能数据的一步预测准确率分别提高了11.13%和24.07%。

  • 2024-05-26
  • 阅读130

【IJI】时间序列数据不完全系统连续在线预测的多层次推理策略

可持续性在线预测对未来更高水平的时间序列预测具有重要意义，在设备故障预测和健康管理中具有更高的应用价值。然而，和一步时间序列预测相比，连续在线预测面临许多不确定性，包括误差积累和信息缺乏。为了实现复杂系统中时间序列数据的连续在线预测，本文提出了一种基于多层次转移的连续在线预报策略（OnMultiHorTS），用于时间序列数据连续在线预报任务。该算法旨在利用源域数据为目标预测任务提供更有效的信息。然而，时间序列数据的时变特征往往导致长时间内数据分布的巨大差异，这很难保证数据是相同分布的假设。如何在历史数据和现有数据的基础上构建更有效的源域信息，并将其应用于目标域预测任务，是我们OnMultiHorTS算法的重点之一。此外，与典型的迭代和多步预测方法不同，该算法将不同的预测任务视为不同的视界，它们相互独立，可以探索它们之间的相关性。因此，基于层位之间的相关性，该算法开发了一套多层位连续在线预测方案，可以根据当前观测数据连续预测下一步的时间序列数据。最后，我们在四个常见的时间序列数据集和四个航空发动机传感器数据集上测试了算法的性能。同时，我们测试了训练步长和预测步长对算法性能的影响。实验表明，所提出的OnMultiHorTS算法在复杂系统的时间序列数据预测任务中具有较高的预测精度，体现了较高的工程应用价值。

  • 2024-05-26
  • 阅读124

【NN】基于非线性尖峰神经P系统和非二次采样剪切变换的多变量时间序列预测方法

多变量时间序列预测由于其非线性、非平稳、高维和时空特征，以及变量之间的相关性，仍然是一项具有挑战性的任务。为了解决这一局限性，我们提出了一种基于非线性尖峰神经P（NSNP）系统和非子采样剪切变换（NSST）的多变量时间序列预测新方法。首先将多变量时间序列转换到NSST域，然后在NSST域中自动构建、训练和预测NSNP系统。由于NSNP系统被用作非线性预测模型并在NSST域中工作，因此所提出的预测方法本质上是一种基于多尺度变换（MST）的预测方法。因此，所提出的预测方法可以处理非线性和非平稳的时间序列，并且变量之间的相关性可以用NSST变换的多分辨率特征来表征。使用五个真实的多变量时间序列将所提出的预测方法与五种最先进的和28种基线预测方法进行比较。比较结果证明了该方法在多变量时间序列预测中的有效性。

  • 2024-05-26
  • 阅读126

【InformationSciences】AE-DIL：一种基于自适应集成的非平稳时间序列预测的双增量学习算法

现实世界中的许多动态过程都可以建模为时间序列，因此时间序列预测对社会经济发展具有重要意义。从实际项目中获得的时间序列固有的非平稳性可能使其难以准确预测。为了缓解这一问题，本文提出了一种基于自适应集成的双增量学习算法，简称AE-DIL，用于非平稳时间序列预测。AE-DIL提供了一个由两个模块组成的通用在线预测框架。第一种基于统计假设检验和自适应滑动窗口技术检测变化。二是基于双增量学习和自适应集成学习对预测模型进行更新。与几个基线和最先进的模型相比，在七个基准时间序列数据集上进行的实验从经验上证明了所提出算法的有效性。

  • 2024-05-26
  • 阅读121

【ASC】一种新的人工神经网络在预测相关多变量时间序列中改进了多变量特征提取

现有的多变量时间序列预测方案在提取中间特征方面效率低下。本文提出了一种称为特征路径有效多变量时间序列预测（FPEMTSP）的人工神经网络，用于在存在多个次级时间序列的情况下预测主时间序列的下一个元素。我们建议生成次要时间序列的所有可能组合，并通过对主要和次要时间序列特征进行笛卡尔乘积来提取多变量特征。我们的计算证明了FPEMTSP的复杂性和网络规模是可以接受的。我们考虑了FPEMTSP中的一些内部参数，这些参数可以配置为提高预测精度和调整网络大小。我们使用两个公共数据集对FPEMTSP进行了训练和评估。我们的评估揭示了内部参数的最优值，并表明FPEMTSP在预测精度和正确预测的步数方面超过了现有方案。

  • 2024-05-26
  • 阅读60

【ASC】基于滑动窗口经验模式分解的自组织模块化神经网络用于时间序列预测

时间序列在实际世界中大多具有混沌性和非平稳性，难以准确建模和预测。为了解决这个问题，我们引入了一种新的基于滑动窗口机制的经验模式分解的自组织模块化神经网络（SWEMD-MNN）用于时间序列预测。在SWEMD-MNN中，开发了改进的滑动窗口经验模式分解（SWEMD）来在线分解时间序列，可以有效地缓解传统的基于EMD的模型无法处理长期或在线问题和终端效应的局限性。因此，SWEMD-MNN可以有效、动态地分解基于时间特征的时间序列，提高基于样本空间划分时间序列的经典模块化神经网络的预测精度。然后，利用样本熵和欧氏距离，利用单层前馈神经网络将时间子序列动态分配给子网络进行学习。使用基准混沌和真实世界时间序列的实验研究表明，SWEMD-MNN可以有效动态地分解时间序列，并提供比全耦合网络和其他MNN模型更好的时间序列预测精度。

  • 2024-05-26
  • 阅读147