基于嵌入式索引的水文时间序列预测模型

周金玉; 万定生; 肖艳

Chinese

您当前的位置：

首页 >

文章列表页 >

基于嵌入式索引的水文时间序列预测模型

更新时间：2026-09-04

- 基于嵌入式索引的水文时间序列预测模型
- Hydrological Time Series Forecasting Model Based on Embedded Index
- 微电子学与计算机 2018年35卷第1期页码：118-123
- 作者机构：
  
  河海大学计算机与信息学院,江苏,南京,211100
- 作者简介：
- 基金信息：
  
  国家科技支撑计划课题 2015BAB07B01公益性行业科研专项 201501022
- DOI：
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
周金玉, 万定生, 肖艳. 基于嵌入式索引的水文时间序列预测模型[J]. 微电子学与计算机, 2018, 35(1): 118-123.

ZHOU Jin-yu, WAN Ding-sheng, XIAO Yan. Hydrological Time Series Forecasting Model Based on Embedded Index[J]. 2018, 35(1): 118-123.
周金玉, 万定生, 肖艳. 基于嵌入式索引的水文时间序列预测模型[J]. 微电子学与计算机, 2018, 35(1): 118-123. DOI：

ZHOU Jin-yu, WAN Ding-sheng, XIAO Yan. Hydrological Time Series Forecasting Model Based on Embedded Index[J]. 2018, 35(1): 118-123. DOI：

摘要

提出了基于嵌入式索引的相似性搜索和LM算法改进的双隐含层BP神经网络的水文时间序列预测模型.利用相似性搜索从大量的历史数据中挖掘出相似的信息

去除掉历史数据中的冗余和错误信息

从而减少训练集的数量

提高预测准确性.

Abstract

In this paper

we propose a hydrological time series forecasting model based onembedded index similarity search and LM algorithm improved BP neural network.The similarity search is used to mine the similar information from a large number of historical data

which can eliminate the redundancy and error information in the historical data

so as to reduce the number of training sets and improve the prediction accuracy.

关键词

Keywords

references

Keogh E, Chakrabarti K, Pazzani M, et al. Dimensionality reduction for fast similarity search in large time series databases[J]. Knowledge and information Systems, 2001, 3(3): 263-286. DOI: 263

艾萍, 倪伟新. 我国水文数据挖掘技术研究的回顾与展望[J]. 计算机工程与应用, 2003, 40(28): 13-17. DOI: 13

Wan D, Xiao Y, Zhang P, et al. Hydrological big data prediction based on similarity search and improved BP neural network[C]//IEEE International Congress on Big Data. IEEE, 2015: 343-350.

Athitsos V, Papapetrou P, Potamias M, et al. Approximate embedding-based subsequence matching of time series[C]//Proceedings of the 2008 ACM SIGMOD International Conference on Management of Data. ACM, 2008: 365-378.

Lacher R C, Hruska S I, Kuncicky D C. Back-propagation learning in expert networks[J]. IEEE Transactions on Neural Networks, 1992, 3(1): 62-72. DOI: 62

Esling P, Agon C. Time-series data mining[J]. ACM Computing Surveys (CSUR), 2012, 45(1): 12. DOI: 12

MoréJ J. The levenberg-marquardt algorithm: Implementation and theory[J]. Lecture Notes in Mathematics, 1977, 630: 105-116. DOI: 105

Han J, Kamber M. Data Mining: Concepts and Techniques[J]. Data Mining Concepts Models Methods % Algorithms Second Edition, 2004, 5(4): 1-18. DOI: 1

何世彪, 敖仙丹, 吴乐华. 3σ准则在基于谱相关信号检测中的应用[J]. 通信技术, 2008, 41(6): 52-54. DOI: 52

李婕好, 陈志军, 闫学勤. LM-BP算法在径流预测中的应用[J]. 人民黄河, 2015, 37(6): 29-31. DOI: 29

刘峰, 瞿俊. 基于聚类分析和神经网络的时间序列预测方法[J]. 微电子学与计算机, 2006, 23(9): 85-87. DOI: 85

刘永志, 皮德常, 贾学萍. 基于三点的时间序列关键点研究[J]. 微电子学与计算机, 2015, 32(1): 45-47. DOI: 45

Xu ZS. On similarity measures of interval-valued intuitionistic fuzzy sets and their application to pattern recognitions[J]. Journal of Southeast University (English Edition) 2007;23: 139-143. DOI: 139

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多尺度融合与小目标增强的航拍车辆检测算法

基于改进RT-DETR的航拍小目标检测算法

基于监控指标关联性的微服务异常检测

基于反向体偏置的高增益稳定性高温运放设计

AlN/GaN混合缓冲层双异质结p-GaN HEMT直流特性仿真