计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

时间序列数据挖掘中的聚类研究综述

鉴于时间序列数据的高维性和复杂性给数据挖掘带来的困扰以及聚类分析在时间序列数据挖掘领域中的重要性,对目前该领域国内外相关时间序列数据聚类研究的状况进行综述。时间序列聚类总体上可分为整体时间序列聚类、子序列聚类和时间点聚类3种,分别从特征表示、相似性度量、聚类算法和簇原型等方面来研究,同时也结合了具体的应用分析。根据时间序列数据挖掘中聚类存在的主要问题,提出了部分未来值得关注和研究的内容和方向,以便更好地促进时间序列数据聚类分析的研究与发展。     

基于时间序列模型的矿产品价格分析与预测

矿产品价格是矿业投资风险中最重要的不确定因素,矿产品价格预测的准确与否关系到矿业投资的成败。本文据2001-2007年各季度的铜金属价格数据,利用spssl3.0统计软件,建立时间序列ARIMA模型。结果表明模型拟合较成功,通过比较模型预测数据与实际数据,证明模型预测精度较高。该研究不仅为矿业投资决策出示可靠信息,也为矿山企业编制生产计划提供参考。     

以季节单位根的自回归时间序列统计量的分布

在平均值为零或平均值为已知的季节时间序列模型中,根据加权对称估计量提出单位根的检验统计量,并求出此统计量的极限分布的表达式。用Ｍｏｎｔｅ Ｃａｒｌｏ方法计算出此统计量和极限分布的实验百分位数值和势权值,并与通常的最小方差统计量作出比较。     

基于时间序列线性模型的城市电力网规划方法

通过对城市电力网中用电量的时间序列分析,建立其线性模型,并通过模型识别与参数估计,得到线性模型的准确形式,最后利用递推预报法对用电量进行长期预报,为城市电力网的电源开发规划及输变电设备规划提供依据。     

量子自注意力神经网络的时间序列预测

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型（MQSAPN）用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多（如时间窗加长、特征变量规模增加等）,其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。     

基于混沌时间序列模型的用水量预测

城市用水量预测在供水系统的调度决策管理中具有重要作用。通过对用水量的分析,发现了城市用水量具有混沌特性,并提出一种基于混沌时间序列模型的用水量预测方法。实验表明,预测误差率小于1.31%,能对供水调度决策提供有力支持。     

时间序列模型在深层地下水水位预测中的应用

用时间序列分析法建立了地下水水位埋深时间序列模型,并对模型进行了评定和检验,结果表明,拟合精度和预测精度均较高,收到了较好的效果。     

基于模糊C-均值的模糊时间序列模型

将模糊C-均值聚类算法引入到模糊时间序列模型,提出了一个新的模糊预测模型.该模型首先将观察的时间序列转化为w维的时间序列数据集,然后利用FCM算法对构造的时间序列数据集进行聚类,最后根据聚类结果进行预测,并将其应用到中国的能源预测中,实验结果表明了该模型的可行性和有效性.     

动态时间序列预测DM模型

本文介绍了解决呈波动现象的系统预测方法──动态时间序列预测模型，简称ＤＭ模型．阐述了ＤＭ模型的建立，参数辩识，模型求解和应用方法．为经济领域波动现象的预测提供了一种新方法．     

基于信息粒的模糊时间序列预测模型

时间窗口的分割长度是影响预测结果准确性的重要指标之一,因此根据合理粒化将时间序列分割成一些可处理有意义的信息粒,从而得到更有效的非一致划分的分割方法.进一步,提出基于信息粒的模糊时间序列预测模型去预测股指时间序列.模型首先根据信息粒获取时间序列时间窗口的分割;然后在其基础上定义模糊集并将历史序列模糊化;构造模糊逻辑关系并为每一个模糊趋势指派权重;最终根据得到的信息实施预测.实验结果表明,提出的模型具有较高的准确性.     

基于时间序列分解技术的电力负荷预测乘积模型

电力负荷预测是电力系统安全经济运行的重要保障,其关键是预测方法及预测精度等问题。考虑到电力负荷受到长期趋势、季节变化、周期变动及不规则变动等诸多因素的影响,本文运用时间序列分解方法,建立电力负荷预测的乘积模型,并通过全社会用电量进行预测与检验,结果表明了方法的有效性。     

多变量时间序列的短期负荷预测模型及其方法研究

电力系统负荷预测是日常生活中电力系统调度部门的一项重要工作,预测精度的高低直接影响到电力系统的安全性、经济性和供电质量.混沌理论中,负荷预测模型的建立通常由单变量时间序列的相空间重构来实现,但实际过程中往往难以确定是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时.因此,将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了预测模型.研究结果表明多变量时间序列的预测效果有较大提高.     

神经网络与时间序列模型在股票预测中的比较

首先利用时间序列中的AR IM A模型和人工神经网络建立了两类股票价格预测模型并对一定时期的股票价格进行了预测,然后用4种广为使用的统计评价方法对两类模型的预测性能进行了比较。结果表明,两种模型都取得了很好的整体预测效果,而在趋势预测方面,神经网络则得到了比AR IM A模型更准确的结果。     

基于时间序列的季节性气温预测研究

气温的变化受风速、湿度、日照时数等因素的影响,可以通过分析这些因素预测气温的变化情况。考虑到气温序列中存在季节特性,采用One-Hot编码方法提取气温序列中的季节性信息,并作为随机森林模型的输入特征,对月平均气温进行拟合与预测。由于模型构建时涉及众多超参数,文中利用随机搜索和网格搜索两种算法优化模型中的超参数。结果表明：考虑季节性的随机森林模型拟合效果优于简单随机森林模型,预测数据变化趋势与实际观测基本一致,拟合精度可以达到96.14%。经两种方法对超参数寻优之后,模型拟合精度可以达到96.45%。     

基于多变量时间序列的接触状态聚类分析

针对机器人轴孔装配任务中接触状态的分类问题,该文提出了一种基于多变量时间序列的聚类方法。该方法利用深度时间聚类网络对装配过程中的接触状态变量进行编码,然后使用复杂度不变性度量对时间序列片段进行划分。该方法避免了对接触过程进行准静态分析,因此在实际中具有一定的通用性。并且利用时间序列的方式有利于提取接触状态变量的时间关联特性,从而使得聚类的结果更加鲁棒。实验结果和预期一致,验证了该算法的正确性和有效性。     

基于时间序列分析的货运周转量预测

基于重庆市统计局的实际统计数据,通过对实际样本数据进行预处理,确认重庆水运货运周转量序列为平稳非白噪声序列。在此基础上,通过对1995-2009年重庆水运货运周转量的数据分析,利用时间序列分析方法建立了ARMA预测模型,结果显示该模型具有较好的预测效果,对重庆水路货物运输工作及水运的发展决策有一定的参考价值。     

基于云隶属度支持向量机的舰船购置费时间序列预测

模糊支持向量机降低了传统支持向量机对异常点的敏感度,但其模糊隶属度函数对样本点的分类缺乏模糊性,影响舰船购置费预测的精度。因此,利用云理论能够科学表达模糊性的特点,设计了一种面向异常点模糊分类的云隶属度发生器;在支持向量机中引入这种云隶属度发生器,提出了一种基于云隶属度的支持向量机算法;构建了基于云隶属度支持向量机的舰船购置费时间序列预测模型。实验证明：该算法模糊地降低了模型对异常点的敏感度,并自适应地对支持向量约束水平进行寻优,提高了舰船购置费预测的精度。