一种基于时间序列模型的风速预测方法

根据风速数据特点,提出一种基于时间序列的风速预测模型,对模型中的相关参数进行确定。实验结果表明,对风速进行提前1小时预测时,预测风速与实际风速较吻合,误差仅为10%,从而为大气污染物浓度确定提供有效依据。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于时间序列模型的黄金价格预测

由于黄金价格受到诸多经济及政治因素的影响,其生成过程十分复杂,因此研究黄金价格的动态演变过程具有极强的现实意义。而具体的预测要根据市场的过去和当前的需求,以及影响市场需求变化的因素之间的关系,利用一定的判断、技术和模型,对其价格波动变化及发展趋势进行分析和判断。利用时间序列相关理论,建立黄金价格的ARMA模型,发现其可以动态刻画黄金价格数据的生成过程并且较好地对黄金价格进行预测。     

基于Elman神经网络的短期风速时间序列预测及软件开发

风速预测是风电场规划和电网运行的重要环节,其中风速在不同时间尺度的时间序列预测对风电场前期规划以及发电量预测有着重要意义.设计了一个基于Elman神经网络预测风速时间序列的软件,输入变量包括历史风速、历史风向、历史风功率、历史比湿、历史地面气压、历史温度,选择风速高度、输入节点数,进而可进行神经网络预测.以内蒙古中部地...     

基于时间序列的服务器负载预测

在负载均衡集群中，为了实现高效的动态负载均衡，需要对服务器的负载进行有效的预测。在介绍服务器负载特性和时间序列的3种模型的基础上，根据服务器负载动态变化的规律，提出了基于时间序列的服务器负载预测方法，并利用这一方法对IP网关服务器的负载进行了预测，实验结果证明该方法具有较好的实用效果。     

基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

利用小波分解的时间序列云量预测方法

针对传统模型对高分辨率云量时间序列数据适用性差、拟合效果较差以及预测结果准确度低的问题,提出了一种基于小波分解的云量时间序列组合模型预测方法。该方法可以有效提取高分辨率云量时间序列数据的低频趋势序列信息和高频随机序列信息,利用波动特征与随机项扰动纠正,对未来一段时期的云量分布进行预测。试验结果表明,该预测方法改进了传统方法对高分辨率数据适用性较差的问题,能够较为准确地拟合时间序列数据的变化规律,提高了预测准确度,为较长周期的卫星成像数据的选取提供重要的参考依据。     

基于EPNET模型和多期预测的时间序列预测

文中主要研究了基于EPNET(Evolutionary Programming Net)的时间序列预测问题。EPNET是一种进化人工神经网络模型,它能够同时代化网络权值和网络结构。该模型没有采用遗传算法中的交叉算子,而是采用了五个变异算子来获得比较理想的进化效果。在此基础上,提出了基于该模型的时间序列预测算法,介绍了该算法实现时的有关问题。     

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络（Long Short-Term Memory,LSTM）结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。     

基于MCP正则化SWESN的时间序列预测方法研究

为提高小世界回声状态网络(SWESN)的非线性拟合能力,提出一种基于MCP正则化SWESN的时间序列预测方法(MCP-SWESN),优化小世界回声状态网络的输出权值,解决常规回归方法计算权值时出现的过拟合问题,提高预测精度.仿真实现ESN、SWESN、Ridge-SWESN、Lasso-SWESN、SCAD-SWESN...     

基于时序指数平滑法的风电场功率预测研究

针对现有风电场功率预测方法存在预测时间短、预测精度低,不能跟踪风电波动性、间歇性进行可靠预测的问题,提出了一种基于时序指数平滑法的预测方法。该方法首先将原始数据利用指数平滑法进行去畸变量处理,得到较规则的功率数据,然后根据初步处理后的功率数据利用反馈式时序指数法进行预测。利用该方法对某大型风电场4台风电机组未来1天的发电功率进行了预测,预测结果与实测数据大致吻合,证明了该方法的可行性。     

基于经验模式分解的时间序列预测方法研究

支持向量机理论是20世纪90年代由Vapnik提出的一种基于统计学习理论的新的机器学习方法,其具有全局最优解和较好的泛化能力,可将其用于求解时间序列预测间题.但是对于非平稳时间序列的顶测,利用支持向量机算法单独建立一个模型的预测结果不如平稳时间序列那样明显,可以采用经验模式分解法作为时序预测的预处理工具.先将非平稳时间序列进行经验模式分解,再对各个分量分别建模,最后将各分量预测结果进行组合.同时通过仿真实验验证了该方法是有效的.     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数,并提出一种基于核主成分分析的非线性时间序列相空间重构方法,针对时间序列的时序特征,采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明,与通常的基于普通支持向量回归的建模方法相比,该文所提出的预测建模方法具有较高的精度,说明所提方法对非线性时间序列的预测建模是有效的。     

基于过程神经元网络的时间序列预测方法

传统人工神经网络时间序列预测方法难以表达时间序列中的时间累积效应。为此,提出一种基于过程神经元网络的时间序列预测方法。采用双链结构的量子粒子群对过程神经元网络进行训练,以Mackey-Glass混沌时间序列预测为例进行实验。仿真结果表明,该方法的均方误差比普通神经网络低一个数量级。     

时间序列模型在降水量预测中的应用研究

研究准确预测降水量,可提高应对灾害的能力.降水量的变化既受大气环流、地形、气压、气候带等各种环境因子的影响,降水量的动态特征呈现复杂非线性,使得准确预测未来降水量的变化较为困难.为了提高预测精度,采用融合时间序列模型与支持向量回归提出了一种新的多因子影响降水量预测模型.首先用支持向量机进行环境因子的非线性选择,用时间序列模型进行模型阶数的确定,最后以最优阶模型一步预测法检验模型外推能力.应用于赤峰地区夏季降水量预测,仿真结果表明,改进方法预测精度高,用在旱涝预测方面具有较好的应用前景.     

基于时序分析的人体摔倒预测方法

提出一种基于人体动作状态序列时序分析法的人体摔倒预测方法。融合特征部位加速度信息为时间序列,选取摔倒过程中人体与低势物体碰撞前的过程序列段作为样本训练隐马尔可夫模型(HMM),通过分析输入序列与HMM的匹配程度实时分析当前时刻人体摔倒的风险。实验证明该方法取得良好的预测效果,并且可有效区分摔倒过程与其它日常生活行为过程。     

时间序列预测的动态神经网络方法

时间序列的预测在经济和工程领域具有十分重要的意义。文中利用动态神经网络的特性,提出对时间序列进行预测的动态神经网络方法,并利用设计的动态神经网络对杜芬(Duffing)方程的响应时间序列进行预测,结果表明动态神经网络可以较好地对动态系统的响应时间序列进行预测。