基于ARIMA时序算法的车站人流密度预测模型

根据车站的人流密度数据,利用ARIMA模型进行了预测,将非平稳的时间序列进行差分,得到平稳化的时间序列,通过Durbin-Watson检验测试数据的稳定性并观察ARIMA模型的残差平均值和方差以及连续残差的自相关性。通过将数据按照比例分为训练集和数据集来对模型进行评估,得到模型的评估得分。为了进一步提高车站人流密度的预测精度,建立基于k-means聚类的ARIMA组合预测模型,通过k-means聚类算法将问题一中得到的主要影响因素的数据集进行聚类,观察每一类数据的组内特点,对每一类数据重新利用ARIMA模型进行预测,然后计算出组合模型的评估得分。     

基于Adam 注意力机制的PM2:5浓度预测方法

大气 PM2:5 浓度是一种具有较强时序特征的数据, 故目前关于 PM2:5 浓度的预测多选择 RNN、 LSTM 等 序列模型进行。但由于 RNN、 LSTM 等模型对不同时刻输入的数据都采用相同的权重进行计算, 不符合类脑设 计, 造成 PM2:5 浓度预报准确率较低。针对以上问题, 提出一种基于 Adam 注意力机制的 PM2:5 预测方法 (AT-RNN 和AT-LSTM), 该方法首先通过 Adam 算法寻找 RNN 或 LSTM 的最优参数并在 Encoder 阶段引入注意力机制, 将 注意力权重分配给具有时间序列特征的输入, 再进行 Decoder 解析和预测。通过实验, 对比了 BP、 RNN、 LSTM 和AT-RNN、 AT-LSTM 预测合肥市 PM2:5 浓度的效果。结果表明, 基于 Adam 注意力模型的预测方法准确率优于其它 方法, 证明该方法在污染物预测中的有效性。     

基于LSTM-ARIMA模型的短期航班飞行轨迹预测

高效精确的航班飞行轨迹预测是未来空中交通管理系统的关键技术之一,其旨在提高空中交通的运行能力和可预测性。针对现有的航迹预测方法预测精度和稳定性不足的问题,在已有的历史航迹数据的基础上,构建了新的特征维度,分析了经度、纬度和高度三维数据的统计特性,将长短期记忆网络（Long Short-Term Memory,LSTM）对非线性和非平稳时间序列有较强的逼近能力,而差分自回归移动平均模型（Autoregressive Integrated Moving Average,ARIMA）对线性时间序列的处理能力更优的特点相结合,提出了一种以LSTM为主ARIMA为辅的组合短期航迹预测模型,先利用LSTM作为主预测模型对经纬度和高度进行预测,再利用辅模型ARIMA对高度的线性关系进行建模,最后采用CRITIC方法将LSTM和ARIMA预测的高度值融合处理。实验结果表明,这种组合模型利用了两种模型的优势,提高了航迹预测的准确性。      

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度.该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一 LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SA-RIMA模型中提取的单位节点比例,对LSTM得到的初步预测结果进行修正,得到最终预测结果.实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性.     

基于Kalman和ARIMA组合模型的路段行程时间预测

考虑到目前单一路段行程时间预测方法性能不稳定的情况,提出卡尔曼滤波预测(Kalman)和时间序列分析(ARIMA)组合模型进行路段行程时间的预测。利用Kalman模型良好的实时性和ARIMA强大的线性拟合能力,以两种模型分别对同一路段行程时间进行独立的预测,再将这两子模型所得预测结果进行动态加权,以最优模式组合模型以达到最佳预测目的。研究表明,组合模型吸取了两模型的各自优点,其预测准确性高于各独立预测模型,是预测路段行程时间的有效方法。     

基于ARIMA与BP神经网络的收视率组合预测模型

针对收视率数据的非线性、突变性等特征,仅采纳单一的预测方法不能全面描述收视率的变化规律,因此提出了一种组合预测模型(ARIMA-BP).首先采用自回归移动平均模型(ARIMA)对收视率进行预测,提取收视率的线性变化规律,再利用BP神经网络对ARIMA模型的预测值进行进一步的组合预测,提取收视率的非线性变化特征.本文以广州电视综合频道及在广州市场上的其余8个电视频道19:00 ～20:00时间段的收视率为例进行实证分析,结果表明组合模型比单一采用ARIMA、BP神经网络进行预测的拟合效果好、精度高.     

门控递归神经网络处理不规则时间序列数据综述

随着多传感器系统的发展以及非结构化手工数据记录机制的持续使用,不规则时间序列数据越来越普遍。不规则数据和由此产生的缺失值严重限制了对数据进行分析和建模以完成分类和预测任务的能力。通常情况下,用于处理时间序列数据的传统方法会引起偏差,并对底层数据的生成过程进行强假设,这可能会导致较差的模型预测结果。传统的机器学习和深度学习方法虽仍处于数据建模的前沿,但最多只能受到不规则时间序列数据集的影响,无法对不完整时间序列的时间不规则性进行建模。门控递归神经网络(RNN),如LSTM 和GRU,在序列建模方面取得了突出的成绩,并在许多应用领域得到了应用,如自然语言处理。这些模型已成为时间序列建模的良好选择,也是处理不规则时间序列数据的重要工具。文中重点介绍了处理不规则时间序列数据的两种常用方法,即在数据预处理阶段输入缺失值以及在学习过程中修改算法从而直接处理缺失值,旨在介绍这一研究分支中出现的有效的技术,以便研究人员创造出进一步处理不规则时间序列数据的新技术。     

基于ARIMA模型的区域用电量预测方法

传统区域用电量预测方法存在预测能力差的问题，为此，提出基于ARIMA模型的区域用电量预测方法。获取区域的历年用电量数据进行预处理，获取统一的用电量数据；再利用ARIMA模型对用电量时间序列进行平稳性检测，利用最小二乘估计方法估值用电量参数；最后结合线性神经网络构建区域用电量预测模型，将统一的用电量数据放入模型中进行计算，以此完成区域用电量的预测。实验结果表明，所提方法可以有效检测出电量负荷及电量同比增速，预测能力强、预测精度高。     

基于扩大周期的电力负荷预测模型

针对现有电力负荷预测模型依赖近期数据导致预测结果偏离时间序列真实情况的问题,文中提出了基于扩大周期信息的电力负荷预测模型。将预处理完的电力负荷时间序列按照同一时刻不同天进行处理,在此基础上分别利用ARIMA(Autoregressive Integrated Moving Average Model)模型和LSTM(Long Short-Term Memory Network)模型进行建模分析,并采用3种评价指标评估模型的预测表现。预测结果表明,扩大周期信息构建的ARIMA模型的3种评价指标都比传统ARIMA模型低,对应的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)分别为32 434.114 8、5 828.390 9和0.025 2;扩大周期信息的LSTM模型也比原始LSTM模型低,对应的RMSE、MAE和MAPE分别为13 520.497 4、9 298.352 6和0.091 4。     

Microsoft时序数据挖掘算法研究

为了对时间序列数据信息的知识发现过程制定比较合理的长期或短期预测,从而为科学决策提供有效的依据,通过对ARTXP和ARIMA算法的研究与分析,提出ARTXP算法和ARIMA算法的有效混合模型,进而提高趋势分析的准确度与时效性。     

Futuristic speed prediction using auto‐regression and neural networks for mobile ad hoc networks

In this paper, we propose a speed prediction model using auto‐regressive integrated moving average (ARIMA) and neural networks for estimating the futuristic speed of the nodes in mobile ad hoc networks (MANETs). The speed prediction promotes the route discovery process for the selection of moderate mobility nodes to provide reliable routing. The ARIMA is a time‐series forecasting approach, which uses autocorrelations to predict the future speed of nodes. In the paper, the ARIMA model and recurrent neural network (RNN) trains the random waypoint mobility (RWM) dataset to forecast the mobility of the nodes. The proposed ARIMA model designs the prediction models through varying the delay terms and changing the numbers of hidden neuron in RNN. The Akaike information criterion (AIC), Bayesian information criterion (BIC), auto‐correlation function (ACF), and partial auto‐correlation function (PACF) parameters evaluate the predicted mobility dataset to estimate the model quality and reliability. The different scenarios of changing node speed evaluate the performance of prediction models. Performance results indicate that the ARIMA forecasted speed values almost match with the RWM observed speed values than RNN values. The graphs exhibit that the ARIMA predicted mobility values have lower error metrics such as mean square error (MSE), root MSE (RMSE), and mean absolute error (MAE) than RNN predictions. It yields higher futuristic speed prediction precision rate of 17% to 24% throughout the time series as compared with RNN. Further, the proposed model extensively compares with the existing works.     

JUFrame应用服务器的ARX老化模型

针对JUFrame应用服务器老化情况,设计了多种类型的客户请求程序和服务器端程序,记录了各种参数共计5类36个参数;对影响应用服务器中间件性能的主要指标采用多维时间序列分析的方法建模。用实测数据进行分析的结果表明,用所建模型得到的预测值能很好地拟合原始数据,该模型可以用于系统实际运行时的预测,预测结果可作为再生的依据;与一维AR模型相比,预测精度提高了7%。     

Lithium-ion batteries remaining useful life prediction based on a mixture of empirical mode decomposition and ARIMA model

Prediction of lithium-ion batteries remaining useful life (RUL) plays an important role in battery management system (BMS) used in electric vehicles. A novel approach which combines empirical mode decomposition (EMD) and autoregressive integrated moving average (ARIMA) model is proposed for RUL prognostic in this paper. At first, EMD is utilized to decouple global deterioration trend and capacity regeneration from state-of-health (SOH) time series, which are then used in ARIMA model to predict the global deterioration trend and capacity regeneration, respectively. Next, all the separate prediction results are added up to obtain a comprehensive SOH prediction from which the RUL is acquired. The proposed method is validated through lithium-ion batteries aging test data. By comparison with relevance vector machine, monotonic echo sate networks and ARIMA methods, EMD-ARIMA approach gives a more satisfying and accurate prediction result.     

一种预测频段占用度的时间序列分析方法

提出了一种基于实际测试数据的频段占用度短期预测方法,该方法首次将经济学中常用的自回归移动平均模型(ARIMA)用于频段占用度的预测,并分析给出了判定模型参数和分析结果。短期预测结果与实际测试结果证明了这种预测方法可以为无线电频率主管部门提供更为精确地掌握频率资源的使用及发展变换情况,为制定政策和指配频率提供基础。     

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

基于注意力机制的全海深声速剖面预测方法

海水中的声速剖面具有明显的时间演化特性,其预测问题可以看作一个非线性的时间序列预测问题。解决此类问题的常用方法大多使用预定义的非线性形式,无法捕捉真正潜在的非线性关系。循环神经网络作为一种为序列建模特别设计的深度神经网络,在捕捉非线性关系上具有极大的灵活性,在非线性自回归的时间序列预测这一问题上展现了它的有效性;注意力机制能够从众多信息中选择出对当前任务目标最关键的信息,对多变量时间序列在时空维度上的非线性关系进行捕捉。该文利用深度学习中的循环神经网络,添加双层注意力机制构建多变量时间序列预测模型,对浅海环境下时变的全海深声速剖面进行预测。多个模型的预测结果表明,该模型相对于单纯的编码-解码模型有着明显的预测性能提升,并且注意力权重的分布能够与实际物理现象相关联,为水声学中物理模型与机器学习的结合提供了新的思路。     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

Short‐Term High-Speed Traffic Flow Prediction Based on ARIMA-GARCH-M Model

The traditional traffic flow prediction model acquired the poor characteristics of the traffic flow time series, which led to the low prediction accuracy. Therefore, the short-term high-speed traffic flow prediction based on arima-garch-m model was proposed. According to the urban traffic flow theory, ARIMA model and GARCH model are combined to obtain the corresponding fluctuation characteristics and realize the prediction of traffic flow. The experimental results show that the NRMSE and MAPE of the model in this paper are only 3.13?% and 8.76?%, respectively, with good prediction accuracy and better stability and accuracy than the other two models, proving that the model has good performance and can meet the needs of practical application.