基于ARIMA的发电量预测方法

根据 1952—2001 年我国 50 年的发电量数据,利用时间序列的有关理论,经过多次拟合,找出适合我国发电量的单整自回归移动平均模型(ARIMA)。利用 AIC 准则确定模型参数。根据模型对我国未来 5年的发电量进行预测,结果表明预测精度误差小于 3%,该方法可满足实际要求。     

基于传感器网络的分段线性拟合跟踪算法研究

对基于无线传感器网络(WSN)的目标跟踪机制进行了研究,采用一种分段线性拟合的方法对做正弦运动的目标进行跟踪,该方法是利用目标位置历史数据序列建立直线方程,用此直线方程预测目标未来时刻的位置及速度,实现对目标实时预测.仿真试验结果表明,该方法与滑动窗多项式拟合法相比具有计算量小、精度高的优点,更加有利于实现对目标的跟踪.     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于Box-Jenkins方法的甘肃省GDP时间序列分析建模与预测

基于Box-Jenkins方法的时间序列分析,以甘肃省1978—2012年的年度GDP数据为基础,利用SPSS软件,并综合各种条件确定了最佳ARMA模型.最后利用所建模型对甘肃省未来4年的GDP进行了预测.实证分析表明:Box-Jenkins方法及其模型在GDP时间序列分析建模与预测方面,具有较高的精确度和可行性.     

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。     

含非线性时间项的无偏灰色模型构建与应用

针对含二次多项式时间项灰色模型存在着从差分到微分的跳跃性误差,提出了其无偏模型,此模型无需已知白化方程解析解。借助新变量将原白化方程转化为矩阵微分方程,根据方程的解直接建立离散时间响应函数的递推公式,利用直接建模法给出无偏模型的参数估计,采用精细积分法直接对数据进行高精度的模拟(预测),并以误差平方和最小为目标对初始点进行优化。从理论上证明了该模型具有含线性时间项非齐次指数规律重合性和伸缩变换一致性,从非齐次指数序列和能源消费实例上也验证了所构建模型的无偏性和有效性,具有更好的拟合(预测)精度。     

基于时间序列趋势模型的研究与应用

该文针对呼叫中心话务量预测的问题,分析比较了目前常用的预测技术和方法,根据对实际话务量数据信息的分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测,预测的结果表明该趋势模型能较全面地达到所要求的拟合效果和精度,从而较好地解决呼叫中心的呼入话务量的实际预测问题。     

马特拉算法在遥测数据短期预测中的应用

为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.     

面向自动化配送的天然气用户需求智能预测

针对解决天然气销售公司的自动化配送问题,从用户需求预测方面着手提出了天然气用户需求智能预测方法.基于天然气公司提供的各个用户实际天然气储气罐监控数据,选取天然气储气罐瞬时流量数据进行拟合和预测.将复杂的用户数据分为两类:零点规律型和非零点规律型.对于零点规律型数据,采用分段多项式模型拟合,并采用曲线平移法进行预测对非零...     

ARIMA模型在交通事故预测中的应用

通过ARIMA模型分析了1970—1997年中国交通事故的十万人口死亡率时间序列的平稳性,用SPSS11.5软件拟合模型并作预测,结果表明,ARIMA模型能提高预测精度,在实际应用中ARIMA模型可用于非季节和季节的各类时间序列,预测较准,可以为政府和交通部门制定预防降低交通事故提供重要的数据支持.     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

多因变量多元线性模型主成分型预测的最优性判别

针对多因变量多元线性模型有偏预测问题,结合主成分估计,构造主成分型预测量。通过主成分型预测与最优线性无偏预测的最优性判别问题进行分析,分别得到了主成分型预测在R(i)(·)准则、MDE-准则及RT(·)下优于最优线性无偏预测的充分条件。结果表明,在一定条件下,有偏的主成分型预测优于最优线性无偏预测。     

S波段两状态LMS信道模型的自适应长期预测

针对S波段模型参数可变的窄带两状态陆地移动卫星信道模型,基于加权预测思想提出一种自适应长期预测方法.首先将卫星通信下行链路的阴影遮蔽建模为两状态马尔科夫链的Gilbert-Elliot信道模型,然后利用加权预测思想预测未来长期内的信道状态,并基于最小均方算法由迭代自适应跟踪方法更新线性自回归模型的系数,进而预测出未来的信道衰落序列.研究结果表明:该方法能精确地预测出未来长期内的信道状态和衰落序列,且相比长期预测方法,改善预测性能,并具有实时性和低复杂度优点,可用于窄带LMS通信系统自适应传输性能分析.     

季节指数改进的PM2.5质量浓度组合预测模型研究

随着我国的经济和城市化迅速发展,PM_2.5主导的区域空气污染已成为紧迫、突出的环境问题。据相关研究表明,PM_2.5在不同季节质量浓度差异较大。根据广州市2015~2019年的PM_2.5月均质量浓度数据,结合大气污染物及气象因素,引入季节指数,建立预测PM_2.5质量浓度的改进多元线性回归和多层感知器组合预测模型,探析广州市大气污染物中PM_2.5质量浓度的变化规律。结果表明,用季节指数改进的组合预测模型对PM_2.5质量浓度进行预测分析,拟合结果良好。使用不同评价指标将组合模型与传统的多层感知器预测模型和多元线性回归模型进行对比,该组合模型的均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对误差(Mean Absolute Error,MAE)分别比多层感知器模型减少了23.1%、31%、24.2%;比多元线性回归模型减少了35.3%、41.3%、41%。该模型精度均优于传统的多元线性回归模型和多层感知器模型,能更好地预测环境PM_2.5质量浓度,为优化环境提供参考。     

基于MWGANN模型的旋转机械趋势预测

为保证旋转机械注水泵机组安全、稳定运行,应采用合适的预测模型对其状态评定参数进行预测。提出基于均值函数新息加权的遗传算法优化神经网络预测模型(MWGANN模型),用此模型能够优化神经网络结构参数,并可利用时间序列数据新旧程度的不同提高预测的精度和实时性。工业现场采集大型旋转注水泵机组振动烈度时间序列数据,应用MWGANN模型和基于人工经验设定神经网络结构参数的模型分别对其进行预测并比较,结果表明MWGANN模型在预测精度、预测实时性方面取得了较好的效果。     

采用核极限学习机的短期需水量预测模型

为满足给水系统日常管理对短期需水量预测时效的需求,建立了所需训练时间短的核极限学习机模型(kernel-based extreme learning machine,KELM);从提升预测精度的角度考虑,构造了以傅里叶级数为理论依据的残差修正模块(Fourier se-ries,FS),利用该模块对需水量初始预测值与观...     

城市用水量动态预测的双线性模型

针对城市用水的时变化性和受多因素影响的特点,引入双线性模型,并给出建立预测城市用水量的双线性模型方法。通过利用预测过程中产生的残差信息进行反馈矫正,保证了该模型较高的拟合精度和稳健的预测性能,实例证明该模型结构简单、预测精度高,具有推广应用价值。