首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 250 毫秒
1.
针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元(SBiGRU)、完整自适应噪声集成经验模态分解(CEEMDAN)和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数(IMF)分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.  相似文献   

2.
提出了一种基于CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD (variational mode decomposition,VMD)二次分解的ARIMA (autoregressive integrated moving average model,ARIMA)-GARCH (generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA (autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7. 1%。  相似文献   

3.
为了更有效提取电力负荷数据中的特征信息,从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量,提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强,提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法,先通过粒子群算法对VMD最佳影响参数组合进行搜寻,得到最佳效果的分解子序列,减少不同趋势信息对预测精度影响。然后运用GRU网络,针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明,相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型,此模型具有更高的负荷预测精度。  相似文献   

4.
为了提高矿井涌水量的预测精度,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与门控循环单元(gated recurrent unit,GRU)相结合的矿井涌水量预测模型(CEEMD_GRU).首先,通过CEEMD算法将一维涌水量数据分解为多个本征模态函数(intrinsic mode function,IMF)分量和一个残差余量,本征模态函数分量反映涌水量数据在不同时间尺度的波动特征,残差余量反映数据长期变化的趋势特征;然后,针对各分量分别建立GRU神经网络模型,将对一维数据的研究转换为对其分解后多维子分量的研究,训练学习各分量的时序变化规律并进行预测;最后,将预测结果融合得到最终涌水量预测值.将CEEMD_GRU与反向传播(back propagation,BP)、支持向量机(support vector machine,SVM)、GRU神经网络进行了对比实验,结果表明,基于CEEMD_GRU的均方根误差平均降低了60.8%,该研究为进一步提高矿井涌水量预测精度提供了思路.  相似文献   

5.
提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。  相似文献   

6.
针对ARIMA、BPNN、LSTM等单一模型在预测大豆期货价格时因不能同时捕获到原始序列中线性和非线性变化特征而导致的预测精度不高的问题,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)的多频优化组合模型,并利用大豆的日期货收盘价数据对多频优化组合模型的有效性进行了实证分析.结果表明,多频优化组合模型在大豆期货价格预测精度上优于BPNN、LSTM等单一模型,以及EMD - BPNN、CEEMDAN - LSTM(未重构)等组合模型,因此该模型在预测大豆期货价格走势中具有良好的参考价值.  相似文献   

7.
《南昌水专学报》2022,(1):22-31
为进一步提高原油价格的预测精度,基于互补集合经验模态分解(CEEMD)和经过粒子群算法(PSO)优化的BP神经网络构建了一种用于原油价格预测的组合模型。该模型共包括原油价格的初始预测、误差序列的提取及预测和初始预测结果的误差补偿。使用WTI和Brent原油现货价格日度数据对所提组合模型的有效性进行了验证,实验结果表明:本文提出的误差预测方法可以准确地刻画误差序列的演化规律;基于误差补偿的原油价格组合预测模型可以显著地提高单一模型的预测精度。  相似文献   

8.
针对PM_(2. 5)质量浓度序列不确定性和随机性特征,提出一种基于互补集合经验模态分解和优化Elman神经网络的区间预测模型.首先,利用互补集合经验模态分解将原始PM_(2. 5)质量浓度序列进行分解,并用样本熵将其重组为复杂度差异明显的子序列.其次,针对各子序列分别用多输入单输出Elman神经网络(Elman neural network,ENN)建立PM_(2. 5)质量浓度预测模型.在各子序列预测结果基础之上,采用多输入双输出Elman神经网络实现PM_(2. 5)质量浓度区间预测.最后,为了进一步提高预测模型性能,提出一种区间预测评价指标作为目标函数,采用思维进化算法对Elman神经网络权值β和阈值b进行寻优.基于北京工业大学校园监测站点采集数据,验证了预测模型的可靠性和有效性.所提预测模型为PM_(2. 5)质量浓度预测提供了一种方法.  相似文献   

9.
针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。  相似文献   

10.
针对旱灾系统的非平稳和非线性特征,提出了基于经验模态分解和最小二乘支持向量机的多尺度组合预测模型。为了避免分解过程中旱灾序列取值域发生改变的问题,首先采用逆Logistic变换对原始序列的取值域进行扩展;然后使用经验模态分解将旱灾序列进行平稳化,提取出旱灾序列中不同时间尺度的子序列,根据子序列的波动特征选择适用的方法进行预测;最后将预测子序列进行重组和还原。以河南省农业旱灾综合损失率为例进行3步仿真预测。预测结果表明,多尺度组合模型的预测效果和精度均好于最小二乘支持向量机模型的,说明在旱灾序列处理中应优先选用多尺度分析法。  相似文献   

11.
To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized.  相似文献   

12.
立交区域交叉口交通信息识别概率预测   总被引:1,自引:0,他引:1  
为预测立交区域交叉口交通信息识别概率,运用汽车动力学理论、驾驶员特性原理及动态交通特性获取动态识别视距值,在此基础上采用几何学及概率统计学原理建立典型车型在识别视距范围内交通信息识别框架,运用长期和短期时间序列对立交区域交叉口的交通量进行预测,形成其长期和短期时间序列的交通信息识别概率预测模型,运用实测值对识别概率预测模型仿真标定并检验其可靠性. 结果表明:长期时间序列预测下,交通量大小与交通信息识别概率具有明显的相关性,相关系数达0.849;一周时间的短期时间序列预测交通信息识别概率,其95%的置信区间的实测值与预测值相似度达87.65%,预测模型具有较好的可靠性. 预测交通信息识别概率较大的立交区域交叉口,应考虑加强交通信息灵活性设置并加强交通管控措施.  相似文献   

13.
Aim     
Aim ing at the problem of low precision of multi-step traffic flow prediction, a cycle prediction model for traffic flow forecasting is presented. First, the time series is reconstructed by considering the periodicity of traffic flow in our model, and Principal Component Analysis (PCA) is explored as a dimensionality reduction method. Then the Echo State Network (ESN) model is used to predict the traffic flow time series. Meanwhile, an adaptive disturbance particle swarm optimization algorithm is used to optimize the parameters of the model. The availability of the proposed model is proved by predicting the time series of real traffic flow. The Mean Absolute Percentage Error (MAPE) of the prediction results is 9.8%, which is 12.7% lower than that of the traditional ESN multi-step prediction model. Experiments demonstrate that the proposed model can effectively prevent the delay of prediction results and greatly improve the precision of multi-step prediction.  相似文献   

14.
基于小波的Web流量组合预测方法研究   总被引:2,自引:0,他引:2  
为了提高Web流量的预测精度,提出一种基于小波、神经网络和自回归的组合预测方法.首先将Web流量构造为2个相关序列:历史序列和相似值序列;对具有平稳特征的相似值序列用AR模型进行预测;对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后,针对各分支特点分别采用神经网络和自回归模型预测;最后组合2条序列的预测结果获得最终预测值.理论分析与实验表明:组合预测方法可以充分利用与流量相关的多种数据关系;小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列.因而所建方法比传统的预测方法具有更高的预测精度.  相似文献   

15.
基于SVM与自适应时空数据融合的短时交通流量预测模型   总被引:2,自引:0,他引:2  
针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.  相似文献   

16.
饱和信号交叉口排队长度预测   总被引:1,自引:1,他引:0  
通过采用自适应权重指数平滑法,对进口车道的实时流量进行预测,建立了以定数排队理论为基础的排队长度预测模型。该模型可以实现对饱和信号交叉口排队长度的预测,预测结果具有较强的自适应性,更符合交通流的实际运行状况。实际数据验证结果表明:在拥挤的交通状态下,该模型的预测精度可达到85%以上,可以满足信号配时和交通管理的需要。  相似文献   

17.
一种组合核相关向量机的短时交通流局域预测方法   总被引:6,自引:2,他引:4  
为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.  相似文献   

18.
高斯过程回归补偿ARIMA的网络流量预测   总被引:2,自引:0,他引:2  
为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.  相似文献   

19.
智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,实时、准确的交通流量预测是智能交通系统实现的关键技术之一,也是实现智能交通诱导及控制的前提。文章对几种重要的交通流量预测模型的理论和优缺点进行了比较,分析了影响预测模型的因素,提出了一种智能组合预测方法。该方法利用遗传算法群体搜索的特点,组合各种算法,优化预测思路,充分发掘不同算法的差异优势,实践证明该思路是切实可行的。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号