预测数据挖掘大数据工程中是一个重要的研究方向。它有广泛的需求领域的电力、交通、采矿、农业、气象、等等。例如,电力负荷的预测,系统在电力系统的脆弱性,交通客流的预测在交通系统中,对矿山压力的预测,地下水开采系统和有害气体排放,水和土壤的预测气象关系和病虫害农业系统,预测的温度、湿度、气压、雨雪气象系统。早期的数据预测和分析主要使用线性预测系统,使用各种收购条件和各种数据预处理方法(线性方程叠加,线性空间调整)。获取数据的线性规律后,向前预测数据的法律功能实现。

然而,有两个系统的线性规划问题。一个是数据的敏感性向前推动总的数据量密切相关。一般来说,数据向前推量不能超过总数的10%数据量,否则会导致预测灵敏度的快速下降。另一种是线性预测算法不能反映数据的周期性规律和上述权力,交通、矿业、和农业。气象学等领域中的数据是高度周期性的,这系统问题严重影响预测敏感性数据拐点。主题介绍了非线性函数的估计数据预测曲线,特别是三角函数和傅里叶分析。小波分析算法,以减少噪声的数据。原始数据之间的差异和数据经过小波分析提取噪声数据,计算傅里叶分析是用来提取特征矩阵,和三角函数回归算法得到最终的预测曲线。该算法实现了实验室模拟在许多领域,和主题将加强其实际研究领域。

这个特殊的问题欢迎原始研究和评论文章关注非线性预测系统的数据从一个复杂的系统。

潜在的主题包括但不限于以下:

• 非线性数据的预测电力系统脆弱性
• 非线性数据的预测电力系统负荷调度
• 非线性数据的预测电力系统中常见的设备故障
• 非线性数据预测城市轨道交通的客流
• 城市公共交通数据传输量调度计划选择策略驱动的非线性预测
• 非线性数据预测周期地面压力,在深矿井岩爆灾害
• 非线性数据的预测涌水量和有害气体排放在深矿井
• 非线性数据农业病虫害的预测风险
• 非线性数据预测的农业产量和交易价格的供给和需求
• 非线性相关数据预测的极端天气和自然灾害
• 长时间数据非线性数据预测的阳光和温度