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.     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于小波去噪的ARIMA-LSTM混合模型及对股票价格指数的预测

由于传统ARIMA模型只对数据线性部分有非常好的拟合效果,而LSTM模型对非线性数据有很好的拟合效果,基于误差补偿的思想,给出了基于小波去噪的ARIMA-LSTM混合模型,并用此模型来对我国上证指数每日收盘价格进行预测,并将预测结果与单独使用ARIMA模型和LSTM模型的预测结果进行对比,结果表明使用ARIMA-LSTM混合模型可以有效地提高股指预测的精准度.     

一种基于改进分类和回归树的神经元网络电力负荷预测方法

通过改进CART(分类和回归树)分类法选择训练样本,可以降低与预测日不一致负荷模式的影响,提高预测精度,并运用人工神经元网络预测下一天的96点负荷.主要包括3个部分.首先,运用CART分类法将输入空间分成若干矩形互斥区域,每一个区域对应一种负荷模式;其次,根据分类结果选取神经元网络的训练样本.最后,合理映射天气因素和日期、星期类型并进行预测.实际应用表明本方法对于大波动负荷地区能够改善预测精度,提高预测速度.     

基于ARIMA误差修正的混合预测方法

由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。     

一种线性组合电力负荷预测模型(英文)

电力负荷预测对电力系统的有效运行是至关重要的.电力负荷预测领域迫切需要更精确、更稳定的电力负荷预测方法和技术.为进一步提高电力负荷预测精度,利用互补性原理建立了一种线性组合预测策略.该方法由一个基于互补原理的单项模型选择策略,及线性组合模型组成.选定的单项模型包括流行的线性模型,即ARIMA模型,和流行的非线性模型,即支持向量回归(SVR)模型.该线性组合结构可以有效地提取非线性电力负荷数据的特点.澳大利亚电网真实数据的实验运行验证了该模型的有效性.     

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.     

基于改进SARIMA-LSTM的海上风速预测方法

为了提高海上风速预测的精度,提出了一种基于局部加权回归的周期趋势分解(STL)改进的季节性差分自回归移动平均模型(SARIMA)和长短时记忆(LSTM)神经网络的海上风速预测方法.首先通过STL分解原始风速时间序列,提高SARIMA模型季节性差分步长的准确性,再使用SARIMA模型对观测的风速序列数据进行预测,得到预测值以及预测值与观测值之间的残差;然后用残差样本集训练长短时记忆神经网络并对残差进行预测;最后将两部分得到的预测值求和得到风速序列的预测值.选定3个不同地点分别进行仿真实验并与改进前方法进行比较,结果表明改进后模型的预测精度更高,误差更小.     

基于梯度提升回归树的城市道路行程时间预测

为了提高行程时间的预测精度,在考虑时间序列相关性的同时,分析相邻路段的空间相关性对于行程时间的影响,并提出基于梯度提升回归树模型的城市道路行程时间预测方法.对车牌识别设备获取的实际数据进行预处理,并提出相应的补全算法以解决数据缺失问题,建立完整的历史数据集.通过分析各影响因素与行程时间的相关性,构建特征向量.为了能更好地理解模型,通过梯度提升回归树模型输出各变量对于预测结果的重要度.利用实际数据对模型进行评估,预测行程时间的平均绝对误差百分比,约为10.0%.与SVM、ARIMA等方法相比,所提方法具有较高的精度.     

小波-ARIMA模型在贵广高铁隧道沉降预测中的应用

针对高铁隧道断面沉降状态的预测问题,提出了一种基于小波分析与自回归移动平均模型(ARIMA)组合的隧道断面沉降预测方法。分别采用ARIMA模型和基于小波分析的ARIMA模型对贵广高铁桂林-恭城路段隧道的沉降数据进行预测实验并对比,结果表明,基于小波分析的ARIMA模型对于高铁隧道断面沉降预测精度提高较大,且稳定性强,可以满足工程需要,是一种有效可行的隧道沉降预测方法。     

粗粒度网络流量的灰色模型预测

在实际网络流量上研究了新陈代谢灰色模型(MGM)预测流量. 预测结果表明,灰色模型建模长度远小于流量序列主周期长度时,预测精度较高. 灰色模型预测流量宜采用小量数据建模,此时残差修正对提高预测精度影响很小,预测不需采用残差灰色模型(RGM). 对比了灰色模型与自回归综合滑动平均模型（ARIMA）和Elman神经网络（ENN）模型的预测结果,灰色模型远优于ARIMA,与ENN相当. 灰色模型的优点是能自适应网络流量的变化.     

城市日用水量预测的部分线性自回归模型

根据城市用水量影响因素及特点,针对线性回归模型与线性自回归模型误差较大的缺点,建立了城市日用水量的部分线性自回归预测模型,其中线性部分考虑日用水量,非线性部分考虑当天的最高温度,该模型综合了非参数回归模型与线性自回归模型的优点,因此在拟合与预测精度上比线性回归与线性自回归模型有所提高,证明该方法在城市日用水量预测中是有效的.     

基于小波-ARIMA电离层短期总电子含量预报

针对电离层总电子含量(TEC)非线性、非平稳的特性,将小波分析(Wavelet Analysis)引入到自回归移动平均模型(ARIMA)中对TEC值进行预报。采用2010—2013年IGS中心提供的不同经纬度活跃期、平静期前10天电离层TEC观测数据,分别使用WARIMA和ARIMA建模预报后5天TEC值。对两种模型预报结果与IGS中心观测数据进行对比并统计预报精度,结果表明引入小波分析的ARIMA模型对TEC值预报精度的提高有良好作用。最后单独采用WARIMA模型预报50天TEC值,通过对50天TEC预报值相对精度的统计,说明WARIMA模型对TEC值中长期的预报具有可行性。     

基于ARIMA-LSTM模型的综合能源系统负荷与风光资源预测

在能源互联网快速发展的背景下,研究分析了综合能源系统的多元负荷预测模型及理论方法.针对传统ARIMA(Autoregressive Moving Average Model, ARMA)模型仅能处理线性关系的问题,将ARIMA模型与LSTM(Long-Short Term Memory, LSTM)网络模型结合,提出并建立了ARIMA-LSTM模型.该模型不仅兼容冷、热、气、电等多元负荷的预测,并且可以用于风速、辐射照度等数据的预测,有较好的适应性和预测精度.     

基于Wiener模型的非线性预测函数控制

针对传统的预测函数控制对非线性强、结构多变的实际对象控制效果不佳问题,提出了一种基于Wiener模型的非线性预测函数控制(PFC)方法。通过引入支持向量机回归方法,建立Wiener模型中非线性部分的逆模型,在输出反馈和参考轨迹上分别添加一个Wiener模型中非线性部分的逆模型,将非线性预测函数控制转化为线性预测函数控制,用线性优化算法解决非线性预测函数控制问题,避免了复杂的非线性优化。pH中和过程的计算机仿真结果表明,该方法比PID控制效果更好,而且对模型失配具有很好的自适应性能。     

改进型LSTM变形预测模型研究

针对传统预测模型处理复杂非线性变形数据能力不足的问题,应用一种深度学习模型——长短期记忆网络(Long Short-Term Memory,LSTM)进行变形预测分析.研究发现LSTM隐藏层受有限变形数据序列长度的影响较大,针对此类问题,文中在LSTM的基础上提出了一种改进模型.改进的模型将具有多个隐藏层的神经网络放在LSTM模型前,采用全连接层将两种网络连接起来,旨在提高预测精度.改进的LSTM模型主要对时间序列数据进行预测,以西南部矿业某矿区自动监测数据为例,将LSTM模型和改进后的LSTM模型进行了对比分析实验.为验证多变量输入是否会对预测精度造成影响,构建基于改进LSTM的多点预测模型,并与改进LSTM的单点预测对比.结果表明,LSTM可用于变形预测,且改进的LSTM模型很好地改善了LSTM存在的问题,预测精度相对更高,适用于多点预测,可批量处理变形数据.     

乘积与自回归求和滑动平均模型在湖北省发电量预测中的应用

用自回归求和滑动平均 (ARIMA)模型将湖北省发电量数据外推 ,应用中位移动平均法 ,将其分解成趋势项和周期项 ,提出了乘积模型 .预测结果显示此方法简单有效 ,对于季节时间序列的辩识、预测有实用价值 .     

基于ARIMA 误差修正预测的Klobuchar 模型精化

为了提高目前传统Klobuchar 模型电离层延迟改正精度仅有50%~60%的修正率的现状, 提出一种基于ARIMA 误差修正预测的精化方法。 采用IGS 中心提供的电离层观测数据, 利用双频改正模型解算的电离层VTEC 值作为参考值, 使用ARIMA 模型对每个历元前8 天Klobuchar 模型和参考值之间的偏差值进行2 天的短期预测, 对Klobuchar 模型加以偏差预测改正数进行改进。 采用算例将参考值检验改进的A-Klobuchar模型的预报精度与Klobuchar 模型的预报精度进行对比, 结果表明: 改进后的A-Klobuchar 模型的精度明显高于Klobuchar 模型, 其总体预报精度达到了77. 17%, 能更显著地反映出电离层的周日变化特性。     

节假日效应下的PM2.5浓度预测

近年来,节假日效应带来的环境负担日趋严重,PM_2.5在节假日期间的浓度预测工作变得尤为重要。考虑气象因素、大气污染物以及大气可降水量(PWV)等数据影响,基于桂林电子科技大学尧山校区、桂林市环境监测站、龙隐小学和桂林市第八中学4个空气质量监测站点在2014—2019年春节期间的PM_2.5浓度变化情况,分别比较多元线性回归模型、神经网络模型和ARIMA模型的适用性。结果表明：对整月预测而言,多元线性回归模型在电子科大尧山校区预测适用性最佳,神经网络模型在环境监测站、龙隐小学和第八中学预测效果最好;对春节前后各一周时段预测结果来说,多元线性回归模型在桂林电子科技大学尧山校区、龙隐小学和第八中学站点预测精度最高,ARIMA模型在监测站预测精度最高。