一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA 模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。     

基于ARIMA模型的工业锂电池剩余使用寿命预测

研究了随机建模技术在锂电池剩余使用寿命预测中应用.基于此,使用Box-Jenkins ARIMA模型模拟锂电池退化过程.在NASA PCoE获取锂电池测量数据集,采用ADF单根检验与差分法对锂电池容量原始数据平稳化处理.结合自相关函数与偏自相关函数进行参数估计,构建多个ARIMA模型,并通过评估各种估计参数验证各个模型的有效性,根据AIC、SC准则与正态化BIC选择最佳预测模型.在对所选模型进行严格评估之后,ARIMA （2,1,2）被识别为最佳拟合模型.使用ARIMA模型获得了比较精确的预测结果,结果表明ARIMA模型预测锂电池剩余使用寿命短期内具有较高的精确度和较强的可行性.     

ARIMA模型在网络流量预测中的应用研究

针对网络运行安全和可靠的要求,研究网络流量预测问题.网络流量具有高度自相似、时变性和非线性等时间序列特征,传统预测方法无法捕捉其时变性和自相似规律,导致预测精度比较低.为了提高网络流量的预测精度.在分析网络流量特征的基础上,提出一种基于ARIMA模型的网络流量预测方法.先采用差分法对网络流量原始数据平稳化处理,提取网络流量数据的自相似特征.然后将平稳后的数据利用能很好反映时变性和非线性的ARIMA模型对进行拟合和检验,建立网络流量的最优预测模型,最后根据获得最优预测模型对嗍络流量实例数据进行仿真预测.仿真结果表明,ARIMA模型的网络流量预测精度比其它预测模型要高,能够很好的反映网络流量的规律,在网络流量预测中有广泛应用前景.     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

传染病预测的建模与计算机仿真研究

研究传染病准确预测问题,传染病变化具有突发性、季节性和周期性等特点,传染病与环境污染,人群之间交流有关,随机性强.传统预测方法无法全面描述突发性、季节性及周期性变化规律,传染病预测结果的精度低.为了传染病准确预测,根据传染病变化特点,提出一种ARIMA的传染病预测模型.模型首先对原始数据进行平稳化预处理,消除其突发性、季节性和周期性特征,然后利用ARIMA对将平稳后的数据进行建模,采用某市乙型肝炎发病率数据进行仿真,实验结果表明,ARIMA模型能够很好捕捉传染病变化规律,提高了预测精度,是一种有效的传染病预测方法.     

ARIMA模型在软件测试缺陷数量预测中的应用

本文通过采用ARIMA模型(求和自回归滑动平均模型)对嵌入式软件项目开发中缺陷数量的预测方法进行了研究,提出将嵌入式软件项目测试过程中发现的缺陷数量,按时间顺序阶段作为时间序列事件数据,按照ARIMA(p,d,q)模型的方式,对此数据的时间过程进行分析与建模,根据所得模型对下一个相似的软件项目测试发现缺陷数量进行预测的方法。同时采用这种方法对实际项目数据进行了建模,利用所得模型进行了预测,并与实际项目的数据进行了比较,对更深一步的研究进行了讨论。     

基于ARIMA模型与Winter模型的水运货运量预测比较

本文运用SPSS统计软件,采用ARIMA模型与Winter模型对我国2010年1月-2017年7月水运货运量数据进行分析,ARIMA模型定为ARIMA(1,1,1)(2,1,0)12,通过对训练样本进行训练,R方达0.953,拟合效果较好。Winter模型,分别采用Winter季节可加性、Winter相乘性条件对训练样本进行训练,R方分别为0.974、0.966,标准化的BIC(L)分别为14.752、15.036,拟合效果都比较好。三种方法对2017年8月-2018年8数据进行测试,都有较好效果;在进行2018年9-2019年9月预测中,三种方法所得结果都有差异,总体来看采用Winter季节可加性最优,其次为Winter相乘性,最后为ARIM模型。故在进行我国水运货运量预测的短期预测中,需综合考虑选择模型进行预测。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

综采工作面瓦斯数据时间序列预测方法研究

针对现有基于时间序列的瓦斯浓度预测方法存在算法复杂、预测步长较短等问题,根据瓦斯浓度历史监测数据的随机性与时序性,提出了一种基于ARIMA+GARCH组合模型的综采工作面瓦斯数据时间序列预测方法。首先建立ARIMA预测模型,对瓦斯浓度数据进行平稳化处理,并确定模型的参数估计;然后在预测模型的可靠性通过检验后,针对ARIMA模型在预测过程中存在的均值回归问题,采用GARCH模型模拟ARIMA产生的拟合残差,并将模拟出的结果作为ARIMA模型中预测的噪声项,以此优化预测结果。测试结果表明,基于ARIMA+GARCH组合模型的瓦斯浓度预测方法能够反映瓦斯浓度真实值的变化趋势,平均绝对误差、相对百分误差绝对值、标准差、均方误差4项判断指标都很小,具有较高的预测精度。     

基于动态隶属度的模糊时间序列模型的水质预测研究

科学有效的水质预测对于水资源的管理与水污染预警尤为重要。由于水质指标序列存在非线性、非平稳性、模糊性和季节性等特点,传统预测模型的精度受到一定的限制。结合差分整合自回归移动平均ARIMA模型和经典模糊时间序列模型的特性,提出了一种基于动态隶属度的模糊时间序列水质预测新模型。首先,利用模糊C均值聚类从原始数据中构建隶属度序列;其次,利用经典的时间序列模型对不同的子隶属度序列进行预测,得到动态隶属度;最后,去模糊化得到水质指标的预测值。应用提出的新模型对岷江某断面的水质指标进行了短期预测,并与经典模糊时间序列模型和ARIMA乘积季节模型进行对比。实验结果表明,新模型在RMSE、MAPE和MAE上均优于经典模糊时间序列模型和ARIMA乘积季节模型,极大地提高了预测精度,可为水污染防治提供有价值的参考。     

基于SATLSTM的Web系统老化趋势预测

为解决传统软件老化趋势预测模型泛化能力弱、预测准确度低的问题,根据老化数据的时序特性,提出一种基于自注意力机制的长短时记忆单元(Self-Attention-Long Short Term Memory,SATLST)循环神经网络老化趋势预测模型。将LSTM循环神经网络与自注意力机制融合,在深入挖掘老化数据潜在规律的同时,通过对不同输入数据分配不同权重的方式,加大对局部老化信息的关注度。应用加速寿命测试实验搭建软件老化测试平台,对Web服务器因内存泄漏引起的老化现象进行建模和预测。实验结果表明:相较于传统的ARIMA和BP神经网络模型,该模型训练结果与实际值接近,预测精度高,能准确预测Web系统软件老化趋势。     

A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data

A suitable combination of linear and nonlinear models provides a more accurate prediction model than an individual linear or nonlinear model for forecasting time series data originating from various applications. The linear autoregressive integrated moving average (ARIMA) and nonlinear artificial neural network (ANN) models are explored in this paper to devise a new hybrid ARIMA–ANN model for the prediction of time series data. Many of the hybrid ARIMA–ANN models which exist in the literature apply an ARIMA model to given time series data, consider the error between the original and the ARIMA-predicted data as a nonlinear component, and model it using an ANN in different ways. Though these models give predictions with higher accuracy than the individual models, there is scope for further improvement in the accuracy if the nature of the given time series is taken into account before applying the models. In the work described in this paper, the nature of volatility was explored using a moving-average filter, and then an ARIMA and an ANN model were suitably applied. Using a simulated data set and experimental data sets such as sunspot data, electricity price data, and stock market data, the proposed hybrid ARIMA–ANN model was applied along with individual ARIMA and ANN models and some existing hybrid ARIMA–ANN models. The results obtained from all of these data sets show that for both one-step-ahead and multistep-ahead forecasts, the proposed hybrid model has higher prediction accuracy.     

基于ARIMA-SVM组合模型的移动通信用户数预测

运营商通过分析各时段、各区域的历史移动通信业务数据,能够预测未来一段时间的业务量,从而提供面向管理层的决策支持。为准确把握国内移动通信用户数的波动规律,提高预测精度,通过对2012年1月到2014年2月的26个月忙时移动通信用户总数和3G用户数进行分析,采用差分自回归移动平均模型(ARIMA)对业务量时间序列数据进行线性建模,并采用支持向量机(SVM)对ARIMA模型残差进行非线性建模,将ARIMA模型与SVM模型组合对忙时移动通信用户数进行预测,结果表明,ARIMA-SVM组合模型预测精度明显优于单一模型,发挥了两种模型各自的优势。该组合模型是一种切实可行的移动通信业务预测方法。     

基于梯度提升回归树的短时交通流预测模型

短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的 管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次, 在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。     

CERNET流量行为季节预测模型

网络流量行为预测是网络行为学的一个重要研究方向 .常规的网络流量预测大多采用的是 ARIMA时间序列模型 ,但普通时间序列预测模型的参数难以估计并且模型较难处理非平稳时间序列问题 .本文基于时间序列的神经网络模型研究 ,根据网络流量行为的季节性特点 ,提出了季节型神经网络模型 .用模型对 CERNET网络流量行为的预测分析表明 ,该模型预测效果较好 ,结果合理 ,对进行网络实时监控及网络管理都具有一定的理论和实践价值 .     

基于非负矩阵分解的IP流量预测

为解决宽带多媒体卫星通信系统中的IP流量预测问题,首先使用多用户的IP流量作为训练数据,通过非负矩阵分解迭代方法将其分解为基向量矩阵和编码矩阵,之后再通过ARIMA模型在时间维度上对编码矩阵中的各个行向量进行预测,最后依照预测结果和基向量矩阵合成出各个用户的IP流量预测结果。由于经非负矩阵分解后,编码矩阵中的行向量个数小于用户个数,因此相对于原始的单个用户独立预测方法,新方法可以降低运算的复杂度。仿真实验证实了本方法预测的准确性。     

Real-time road traffic state prediction based on ARIMA and Kalman filter

The realization of road traffic prediction not only provides real-time and effective information for travelers, but also helps them select the optimal route to reduce travel time. Road traffic prediction offers traffic guidance for travelers and relieves traffic jams. In this paper, a real-time road traffic state prediction based on autoregressive integrated moving average (ARIMA) and the Kalman filter is proposed. First, an ARIMA model of road traffic data in a time series is built on the basis of historical road traffic data. Second, this ARIMA model is combined with the Kalman filter to construct a road traffic state prediction algorithm, which can acquire the state, measurement, and updating equations of the Kalman filter. Third, the optimal parameters of the algorithm are discussed on the basis of historical road traffic data. Finally, four road segments in Beijing are adopted for case studies. Experimental results show that the real-time road traffic state prediction based on ARIMA and the Kalman filter is feasible and can achieve high accuracy.