基于集合经验模式分解的火灾时间序列预测

doi:10.3969/j.issn.1000-3428.2012.24.036

计算机工程 ›› 2012, Vol. 38 ›› Issue (24): 152-155. doi: 10.3969/j.issn.1000-3428.2012.24.036

基于集合经验模式分解的火灾时间序列预测

张烨 ¹，田雯 ¹，刘盛鹏 ²

(1. 南昌大学电子信息工程系，南昌 330031；2. 公安部上海消防研究所，上海 200438)

收稿日期:2012-02-27 修回日期:2012-04-30 出版日期:2012-12-20 发布日期:2012-12-18
作者简介:张烨(1965－)，男，副教授、博士，主研方向：信号处理，智能信息系统；田雯，硕士研究生；刘盛鹏，助理研究员、博士
基金资助:
国家自然科学基金资助项目(61162014, 61141007)；公安部应用创新计划基金资助项目(2009YYCXSHXF148)

Fire Time Series Forecasting Based on Ensemble Empirical Mode Decomposition

ZHANG Ye ¹, TIAN Wen ¹, LIU Sheng-peng ²

(1. Department of Electronic Information Engineering, Nanchang University, Nanchang 330031, China; 2. Shanghai Fire Research Institute, Ministry of Public Security, Shanghai 200438, China)

Received:2012-02-27 Revised:2012-04-30 Online:2012-12-20 Published:2012-12-18

摘要/Abstract

摘要： 采用集合经验模式分解(EEMD)和多变量相空间重构技术，结合非线性支持向量回归(SVR)模型，提出一种火灾次数时间序列组合预测方法。根据EEMD将非平稳的火灾时间序列分解为一系列不同尺度的固有模态分量，利用多变量相空间重构技术对分解的各个分量进行相空间重构，构建其训练数据，对重构的训练数据建立各分量的非线性支持向量回归预测模型，使用SVR集成预测方法对火灾时间序列进行预测。仿真结果表明，与单变量相空间重构方法以及SVR方法相比，该方法具有较高的预测精度。

关键词: 火灾时间序列, 集合经验模式分解, 相空间重构, 支持向量回归, 非平稳

Abstract: Based on a combination of Ensemble Empirical Mode Decomposition(EEMD) and multivariate phase space reconstruction, a new combined forecasting model is proposed for fire time series by using Support Vector Regression(SVR). The fire time series is decomposed into a series of Intrinsic Mode Function(IMF) in different scale space by using EEMD. The phase space of IMF is reconstructed by using of multivariate phase-space reconstruction. Based on nonlinear SVR, a prediction model is developed for each intrinsic mode functions, and these forecasting results of each IMF are combined with SVR again to obtain final forecasting result. Experimental results show that this method is more accurate than single variable phase space reconstruction method and SVR method.

Key words: fire time series, Ensemble Empirical Mode Decomposition(EEMD), phase space reconstruction, Support Vector Regression(SVR), non-stationary

中图分类号:

TP391

张烨, 田雯, 刘盛鹏. 基于集合经验模式分解的火灾时间序列预测[J]. 计算机工程, 2012, 38(24): 152-155.

ZHANG Ye, TIAN Wen, LIU Cheng-Feng. Fire Time Series Forecasting Based on Ensemble Empirical Mode Decomposition[J]. Computer Engineering, 2012, 38(24): 152-155.

http://www.ecice06.com/CN/Y2012/V38/I24/152

参考文献

[1] 郑双忠. 基于灰色系统理论的城市火灾预测分析[J]. 数学的实践与认识, 2005, 35(1): 72-76.
[2] 姜学鹏, 徐志胜. 我国火灾起数的灰色拓扑预测[J]. 中国公共安全: 学术版, 2006, (2): 58-61.
[3] 谢正文. 火灾预测的改进GM(1, 1)模型[J]. 中国计量学院学报, 2007, 18(3): 241-244.
[4] Lean Y, Wang Shouyang, Kinkeung L. Forecasting Crude Oil Price with an EMD-based Neural Network Ensemble Learning Paradigm[J]. Energy Economics, 2008, 30(5): 2623-2635.
[5] Urbina M B, Mendez A F. Time Series Forecasting Through Polynomial Artificial Neural Networks and Genetic Programming[C]//Proc. of IEEE International Joint Conference on Neural Networks. Hong Kong, China: [s. n.], 2008.
[6] Chen Chia-Chuang, Shun Feng-Su, Jin Tsong-Jeng, et al. Robust Support Vector Regression Networks for Function Approximation with Outliers[J]. IEEE Transactions on Neural Networks, 2002, 13(6): 1322-1330.
[7] Wu Zhaohua, Norden E H. Ensemble Empirical Mode Decomposi- tion: A Noise-assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1-41.
[8] 刘盛鹏, 张烨. 基于相空间重构和独立分量分析的火灾预测[J]. 自然灾害学报, 2011, 20(3): 47-50.
[9] Norden E H, Shen Zheng, Steven R L, et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceeding of the Royal Society of London Series: A Mathematical Physical and Engineering Sciences, 1998, 454(1971): 903-905.
[10] 王海燕, 盛昭瀚, 张进, 等. 多变量时间序列复杂系统的相空间重构[J]. 东南大学学报: 自然科学版, 2003, 33(1): 115-118.
[11] 吕金虎, 陆君安, 陈士华. 混沌时间序列分析及其应用[M]. 武汉: 武汉大学出版社, 2002.
[12] Wang Shuohe, Hao Ruilin, Chang Yujian, et al. Research of Short-term Load Forecasting Based on Combined Grey Neural Network and Phase Space Reconstruction[C]//Proc. of International Conference on Machine Learning and Cybernetics. Baoding, China: [s. n.], 2009.

[1]	徐奔业, 顾斌杰, 潘丰, 熊伟丽. 加权光滑投影孪生支持向量回归算法[J]. 计算机工程, 2022, 48(12): 104-111,118.
[2]	陈仲晗, 赵俊莉, 黄瑞坤. 基于径向曲线与支持向量回归的颅骨修复方法[J]. 计算机工程, 2022, 48(1): 305-311.
[3]	耿俊杰, 李晓明, 颜金尧. 基于网络流量预测的DASH系统优化[J]. 计算机工程, 2021, 47(5): 292-300.
[4]	许春冬, 周静, 应冬文, 龙清华. 基于非平稳系统辨识的心音包络自适应分割[J]. 计算机工程, 2020, 46(8): 290-296,304.
[5]	党小超, 邓琦研, 郝占军. 基于30°角同心圆环形取样的室内人员检测方法[J]. 计算机工程, 2020, 46(4): 198-205.
[6]	唐绍恩, 李骞, 胡磊, 马强, 顾大权. 一种基于迁移学习的能见度检测方法[J]. 计算机工程, 2019, 45(9): 242-247.
[7]	汤强,谢明中,罗元盛. 基于SVR的用电负荷特征三维回归模型[J]. 计算机工程, 2017, 43(9): 300-303,309.
[8]	马允,王晓东,富显祖,娄达平,章联军. 基于GA-SVR模型的无参考立体图像质量评价[J]. 计算机工程, 2017, 43(5): 234-239,247.
[9]	林青,戴慧珺. 基于MWSVR和ARMA混合模型的流量预测[J]. 计算机工程, 2015, 41(12): 130-134,139.
[10]	邬开俊，王铁君. 基于RBF神经网络优化的混沌时间序列预测[J]. 计算机工程, 2013, 39(10): 208-211.
[11]	郑逢德, 张鸿宾. 双支持向量回归的牛顿算法[J]. 计算机工程, 2013, 39(1): 191-194.
[12]	张东方, 蒋建中, 张连海. 一种改进型IMCRA非平稳噪声估计算法[J]. 计算机工程, 2012, 38(13): 270-272.
[13]	薛辉辉, 肖明清, 段军峰. 基于杂合支持向量回归机的电子装备故障预测[J]. 计算机工程, 2012, 38(08): 283-286.
[14]	成鹏, 汪西莉. SVR参数对非线性函数拟合的影响[J]. 计算机工程, 2011, 37(3): 189-191,194.
[15]	韩锐, 贾振红, 覃锡忠, 常春, 王浩. 基于SVR与微分进化策略的话务量预测[J]. 计算机工程, 2011, 37(2): 178-179.

选择文件类型/文献管理软件名称

选择包含的内容

基于集合经验模式分解的火灾时间序列预测

Fire Time Series Forecasting Based on Ensemble Empirical Mode Decomposition

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于集合经验模式分解的火灾时间序列预测

Fire Time Series Forecasting Based on Ensemble Empirical Mode Decomposition

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价