基于集合经验模式分解的火灾时间序列预测.pdfVIP

第38 卷 第24 期 计 算 机 工 程 2012 年12 月 Vol.38 No.24 Computer Engineering December 2012 ·人工智能及识别技术· 文章编号：1000—3428(2012)24—0152—04 文献标识码：A 中图分类号：TP391 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) 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 Fire Time Series Forecasting Based on Ensemble Empirical Mode Decomposition 1 1 2 ZHANG Ye , TIAN Wen , LIU Sheng-peng (1. Department of Electronic Information Engineering, Nanchang University, Nanchang 330031, China; 2. Shanghai Fire Research Institute, Ministry of Public Security, Shanghai 200438, China) 【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 accu