基于组合模型的网络流量预测

网络流量预测模型对于网络性能评价和服务质量保证有着重要意义。网络性能评价、网络规划、网络预测都离不开真实的数据和现象的捕获。基于自回归滑动平均模型（ARMA）,利用时间序列建模,提出了利用组合模型对网络流量进行预测的方法。理论分析和实验结果表明,组合模型能达到较高的预测精度。     

SAR图像分割的多尺度自回归滑动平均模型方法

给出了合成孔径雷达(synthetic aperture radar简称SAR)图像多尺度自回归滑动平均(multiscale autoregressive moving average简称MARMA)模型建模的一种新方法。研究了基于MARMA模型的SAR图像多尺度随机特征提取的方法，构造了相应的分类器．将这类方法用于实际SAR图像分割，并将MARMA模型与多尺度自回归(multiscale autoregressive简称MAR)模型的分割结果进行比较，说明SAR图像的MARMA模型分割方法优于MAR模型分割方法；最后给出了评价SAR图像分割结果的区域均匀性指标方法，实际应用结果表明该评价方法是有效的。     

基于ARIMA与RBF组合模型的短时交通量预测

通过对柳州市某对称交叉路口交通量状况的调查分析,提出一种基于自回归求和滑动平均(ARIMA)与径向基函数神经网络(RBF)非线性组合模型的短时交通量预测模型,利用实测数据对组合模型和单一模型进行仿真实验.实例分析表明:组合模型的预测结果比单一模型更加精确,适合于实时的短时交通量预测.     

基于CEEMDAN-GRU混合多尺度模型的欧盟碳价预测研究

基于碳价特有的非线性非平稳和多尺度特征,构建CEEMDAN-GRU混合多尺度模型,对碳价进行非线性预测,并进行样本外期限异质性检验。结果显示,相比 EMD、CEEMD 技术与 LSTM、BP 所构建的混合模型而言,CEEMDAN-GRU模型能有效捕捉碳价多尺度时频特征,实现分解误差的有效降低,预测误差RMSE、MAE、MAPE仅为1.0218、0.6815和0.0110,碳价预测精度优于基准模型,特别是短期预测效果呈现良好的稳健性。     

基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

高斯过程回归补偿ARIMA的网络流量预测

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.     

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...     

基于Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

多因变量多元线性模型主成分型预测的最优性判别

针对多因变量多元线性模型有偏预测问题,结合主成分估计,构造主成分型预测量。通过主成分型预测与最优线性无偏预测的最优性判别问题进行分析,分别得到了主成分型预测在R(i)(·)准则、MDE-准则及RT(·)下优于最优线性无偏预测的充分条件。结果表明,在一定条件下,有偏的主成分型预测优于最优线性无偏预测。     

基于大数据分析的非线性网络流量组合预测模型

针对传统方法不能对网络流量变化特征进行准确描述,并且预测精度较低的问题,提出了基于大数据分析的非线性网络流量组合预测模型.通过对非线性网络流量数据进行有效分解,获得不同尺度的分量,利用混沌理论对多尺度分量进行相空间重构获得流量子序列.构建改进鸟群算法优化模型,并对重构后的网络流量子序列进行预测和组合,获得网络流量预测结果.结果表明,所提模型能够精确地描述网络流量的非线性、周期性以及长相关性等变化特征,具有较高的预测精度.     

基于改进ARMA的电厂风机状态预测

随着1 000 MW超超临界燃煤发电机组的扩建应用,对锅炉的风烟系统提出了更高的要求。以某电厂的HU27046-221型引风机为例进行分析研究,提出了一种基于改进自回归滑动平均（ARMA）预测模型的电厂风机状态预测方法。首先,采用数据挖掘理论对引风机原始数据进行相关性分析;其次,采用改进ARMA方法对引风机相关状态参数进行预测;最后,与传统的ARMA预测方法进行对比分析,结果表明所提出的方法预测精度较高。     

基于离散裂隙网络模型的隧道涌水量预测

通过建立不同赋存水体深度、不同隧道直径和不同开挖距离等共96个复杂裂隙网络数值模型,计算通过隧道掌子面的涌水量,拟合预测隧道涌水量的多参数回归方程。结果表明,流体的主要流动路径由连接入口边界和出口边界的连通裂隙组成。组成主要流动路径的裂隙内的流速最大;离连接入口边界和出口边界的连通裂隙越远,裂隙内的流速越小;水体较浅时,涌水量与开挖距离具有幂函数关系;水体较深时,涌水量与开挖距离具有线性关系;对隧道涌水量影响程度由高到低的影响因素依次为隧道直径、水体深度、开挖距离。隧道涌水量的预测结果和数值计算结果能很好吻合,验证了该回归方程具有普适性,可对节理发育岩体内隧道涌水量进行动态预测。     

多尺度残差网络模型的开放式电阻抗成像算法

针对开放式电阻抗成像（OEIT）的图像重建算法存在的成像精度低、对噪声敏感、重建图像伪影面积较大等问题,提出基于多尺度残差网络模型的OEIT算法.该算法利用不同尺寸卷积核的残差块提取边界电压的多尺度特征;在完成特征拼接后,利用卷积实现深层信息融合,得到预测的电导率分布结果.使用有限元法搭建OEIT正问题模型,构造“边界电压-电导率分布”数据集,将所提算法与其他算法在该数据集和实际模型实验中进行比较.结果表明,所提算法使OEIT的重建精度、抗噪能力和定位目标准确性显著提高,并使检测目标的伪影面积缩小.     

基于网络流Petri网模型的设计更改技术

为了实现网络流系统设计更改的响应检测,将响应检测同网络的动态表达相结合,提出一种基于网络流Petri网(NFPN)动态模型的设计更改响应检测方法.用Petri网对网络流及设计更改进行描述,建立网络流Petri网的动态模型.在分析层级网络流特点的基础上,将Petri网完整可达图的构造同设计更改的响应检测相关联.通过多级抽象化简可达图,递归实现网络整体的分析.在配电网改造设计中的应用验证了该方法的可行性和有效性,降低了状态空间的复杂度,可见该方法适用于大尺度复杂网络.     

基于BP神经网络马尔科夫模型的径流量预测

讨论了马尔科夫链状态划分的黄金分割率法和"马氏性"检验法,并针对BP神经网络预测和马尔科夫预测的优缺点,提出了BP神经网络与马尔科夫相耦合的BP神经网络马尔科夫模型,以石泉水库年入库径流量为例,验证了该方法的可行性.     

Prediction of 2A70 aluminum alloy flow stress based on BP artificial neural network

Recently ,withtherapiddevelopmentofthecompu tationtechnique ,thefiniteelementmethodisappliedmoreandmoretothenumericalsimulationofthemetalformingprocess .Therelationshipbetweenflowstressanddeformationconditionssuchasstrain ,strainratesandtemperatures,whichembodiestheresponseofamaterialtothedeformationparameters ,isveryimportantforthenumericalsimulationbyfiniteelementmethod .Butduringthehotdeformationprocess ,therearemanyfactorsthatinfluencetheflowstressofthemetal .Theeffectsofthesefactorsonthef…     

基于神经网络对泥石流危险范围的研究

为了更加客观准确地预测泥石流危险范围,通过对云南金沙江流域的各类泥石流进行深入调查分析,提取出对泥石流危险范围有主要影响的几种因素的指标值.利用改进BP神经网络的学习能力分析几种影响因素对泥石流危险范围的敏感程度,提出以误差曲线的斜率作为敏感程度定量指标,以误差系数的形式对不同种类泥石流危险范围的影响因素进行定量的评定,从流体力学的角度深入解析结论,并以此为依据提出一个修正公式,对传统预测模型进行修正.在实例模拟中,修正后的模型得到了更加准确的预测结果,相对误差最多相差4.54.     

智能电网能量流的时空多尺度大数据探讨

随着电力业务的飞速发展和大数据应用技术的不断完善,电力大数据时代正式到来。然而现有电力数据尚无法满足智能电网的安全稳定等发展需求,智能电网需要能够反映电力能量流可观性的立体全景信息。为此,分析智能电网能量流时空多尺度大数据的概念,通过广域电网实时宽频带时空多尺度同步测量技术,可准确、可靠获取电网能量流全景数据,该纳秒级宽频数据能精确反映电力能量流特征。能量流时空多尺度大数据可为智能电网科学研究提供更准确的全景数据信息,有助于解决电网动态安全稳定监控、复杂大电网建模降维与解耦、电网能量传递分析和暂态保护控制等电力系统科学技术难题,具有重要的理论价值和工程应用前景。