基于多变量神经网络模型的菜品销量预测

随着互联网技术的发展,人们进入了数字化和智能化的“互联网共享”时代。餐饮企业越来越重视利用数据指引企业理性发展,而餐饮业菜品库存过多或过少会直接影响企业的成本与净利润,因此能够精准预测菜品销量有利于降低餐饮企业的生产成本和提高净利润。为了减少采购菜品的浪费和保持菜品的新鲜度,提出了多变量神经网络模型,并利用该模型预测陕西省某餐饮企业近两年的销量数据。结果表明,多变量长短时记忆神经网络模型(Multivariable Long Short-Term Memory,Multi-LSTM)的预测精度明显优于季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)和时间序列与神经网络组合模型,且略优于单变量长短时记忆神经网络模型(Sing le-var iable Long Short-Term Memory,Single-LSTM)。     

应用SARIMA模型预测主题词研究热度

随着科学技术的飞快发展,如何通过已有某主题词历史的研究情况预测未来该某主题词以此来判断某领域是否具有研究意义的问题已经变得越来越不可忽视.在本文中,利用主题词论文的发表数量来体现该主题词的研究热度.以往科技文献的预测模型没有统一的评判标准,导致结果的信服程度低;只是简单的考虑到某一时间范围均匀地减少,没有对具体到季节变化进行模拟,模型的准确度低;模型最优解参数难以确定,迭代周期长.本文以预测科技文献的发表数量为目的,运用时间序列预测的研究方法.通过分析前人的对于时间序列预测所题出的模型,根据科技文献的发表特点提出使用SARIMA模型进行预测.使用Python进行仿真实验,采用AIC作为评判模型的指标,采用图像初步判断模型参数范围与迭代进一步确定模型参数的办法,结果表明采用SARIMA模型得到的AIC指标为505.859相比于仅采用ARIMA模型得到AIC指标646.363表现良好.最后尝试将SARIMA模型拓展应用于其他领域,结果都表明SARIMA模型优于ARIMA模型.最后本文结论,在预测季节性数据的情况下,可以采用本文提出的实验过程,广泛应用在其他领域,表现出色同时具有实际意义.     

基于多尺度随机模型的SAR图像无监督分割

合成孔径雷达（synthetic aperture radar,SAR）是一种基于相干原理的成像系统,在SAR图像中存在严重影响图像质量的斑点噪声,使得SAR图像的可靠分割非常困难。〖BP）〗根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归（Multiscale Autoregressive,MAR）模型和多尺度自回归滑动平均（Multiscale Aautoregressive Moving Average, MARMA）模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。     

基于ARMA模型的NCS前向时延预测研究

网络化控制系统（Networked Control System,NCS）中固有的网络时延会降低系统性能甚至导致系统不稳定,网络时延主要包括前向时延和后向时延。考虑到前向时延在控制器设计控制律时尚未发生,采用自回归滑动平均模型对前向时延进行预测,并将其与径向基函数（RBF）神经网络预测结果进行了对比分析,验证了所给方法的有效性和优越性。     

结合MLR和ARIMA模型的时空建模及预测

针对传统时间序列建模预测过程中忽略空间因素影响和时空交互的问题,提出了一种基于时空多元回归(MLR)的ARIMA预测方法,并应用于某省月均气温的时空预测研究中.通过时序分解去除时空变量明显的季节变化;运用全子集回归法确定显著影响气温的因素,继而得到去季节项数据的MLR模型,从而去除气温的时空趋势变化得到随机变化项;对各...     

基于组合模型的网络流量预测

网络流量预测是网络管理的基础,网络流量受到多种因素影响,具有周期性、时变性和非线性,传统单一线性模型ARIMA或非线性模型SVM均难以准确描述网络流量复杂变化规律,为此,提出一种网络流量组合预测模型（ARIMA-LSSVM）。采用ARIMA对网络流量进行预测,捕捉其周期性变化趋势,采用LSSVM对网络流量非线性变化趋势进行预测,同时采用遗传算法对LSSVM参数进行优化,采用LSSVM两种预测结果进行融合,得到网络流量的最终预测结果。仿真实验结果表明,相对于单一网络流量预测模型,ARIMA-LSSVM提高网络流量预测精度,更能全面刻画网络流量变化趋势。     

ARMA模型法生成粉红噪声的研究

针对现有粉红噪声的生成方法所存在的计算过程复杂,与理想粉红噪声相比偏差较大等问题,本文提出了一种利用自回归滑动平均(ARMA)模型法生成粉红噪声的新方法。首先,构造一个待定系数的ARMA模型,并通过Z变换和功率谱估计的公式进行推导;其次,利用已知的粉红噪声模拟滤波器的传递函数H(s)和双线性Z变换法推导出IIR数字滤波器的传递函数H(z),进而得到粉红噪声的ARMA模型;最后,利用MATLAB对生成的粉红噪声进行功率谱估计并与理想的粉红噪声进行对比。由MATLAB仿真结果可知,利用该方法生成的粉红噪声与理想的粉红噪声拟合度更高,完全符合粉红噪声的各项性能要求。     

基于自回归积分滑动平均模型的日前电价预测

常见的电价预测模型一般建立在时间序列法和神经网络法的基础上。本文将小波变换与自回归积分滑动平均模型结合起来得到小波ARIMA模型并使用该模型进行预测,相对其他时间序列方法,自回归积分滑动平均模型在处理电价这类非平稳时间序列时有更好的表现。经过预测误差的对比分析可以得知小波ARIMA模型的预测效果要优于传统的ARIMA模型。     

基于人工智能的知识库应用模型构建方案的研究

结合人工智能在数据库中的应用实践,在对人工智能在数据库中应用前景、设计思想、理论基础等论述的基础上,得出了知识库的概念,进而讨论了几种知识库应用模型的构建方法。     

基于ARMAX模型车辆行驶动态过程的空燃比自校正控制的构建与设计

本文基于自回归滑动平均（ARMAX）控制模型的简要介绍，利用混合信号ISPFLASH微控制器技术，详细介绍了车辆行驶动态过程的空燃比自校正控制（STC）的硬件结构和软件配置及设计方法。     

基于两步分解法和SARIMA的非饱和机场能耗预测

针对非饱和机场能耗时间序列的非线性和非平稳性特点,提出一种基于两步分解法和季节差分自回归滑动平均模型相结合的组合预测法。利用自适应噪声完整集成经验模态分解法和样本熵,将原始能耗时间序列分解为从高频至低频且复杂度不同的分量。再利用变分模态分解法对高频复杂分量再次分解,得到一系列呈现弱非线性且相对平稳的子序列。采用季节差分自回归滑动平均(SARIMA)模型对各子序列进行建模预测,将各子序列预测结果叠加得机场能耗预测值。实验结果表明,该方法可以有效提高非饱和机场能耗的预测精度。     

基于ARIMA-ANN预测模型的能量感知路由算法

针对传统能量感知OLSR协议在减少传输功率消耗和均衡节点剩余能量之间不能兼顾的特点,提出了一种新型的基于剩余能量比例和传输功率消耗的OLSR路由协议OLSR_RC,它利用上述两方面的指标构造复合能量开销,并将其作为路由选择的度量值。在减小网络开销的同时,也防止了部分低电量节点的能量被快速耗尽,延长了网络的生存周期。此外,新路由还采用ARIMA-ANN组合能量预测模型对节点的剩余电量进行预测,降低了由于拓扑控制(TC)消息丢失对选择路由所造成的影响。这种新型路由协议在无线传感器网络领域有比较广阔的应用前景。     

基于LSTM-ARIMA组合模型的区域短期用电量预测

用电数据具有不平稳、非线性的特点,为了提升对用电数据的拟合精度,增强预测能力,基于序列预测与残差修正的思想提出通过长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)对用电量序列进行预测,真实值与预测值所构成的差值即残差用差分自回归移动平均模型(Autoregres...     

基于ARIMA和LSTM的上证指数预测与分析

近年来,股票已成为很多普通人的投资对象。而上证指数作为股市风向标,对于宏观经济和整个股票市场具有十分重要的作用。用机器学习的方法研究上证指数,有助于了解股市变动,掌握上证多数个股的走势,给决策及投资者提供一些建议。基于此,以上证每日指数为研究对象,对2000—2022年的数据进行研究,采用差分自回归移动平均模型(Autoregressive Integrated Moving Average,ARIMA)与长短期记忆(Long Short Term Memory,LSTM)模型拟合上证指数收盘价,然后对预测结果进行分析并做出评价。     

基于ARMA模型的煤矿瓦斯灾害预测研究

瓦斯预测有助于减少煤矿瓦斯灾害损失,甚至可以完全避免严重事故或灾害的发生.使用时间序列分析法,建立瓦斯灾害预测的自回归滑动平均ARMA模型,用AIC信息量准则实现模型定阶,用最小二乘法确定模型中的未知参数.对于非平稳时间序列,经差分处理后得到平稳时间序列,再用ARMA模型进行预测.仿真结果表明建立的预测模型和数据处理方法能获得较准确的预测结果.     

组合模型在传染病预测中的应用研究

研究传染病预测问题,由于受到外界因素和人体内部因素共同影响,具有不规则变动和非线性动态特点。传染病发生具有季节性、周期性和非规则等变化特点,单一模型只能预测中部分变化特点,预测误差比较大。为降低传染病预测误差,提出一种组合模型的传染病预测方法。首先分别采用ARIMA和LSSVM模型对传染病发生趋势进行预测,然后将两者预测结果输入到LSSVM重新进行学习,最后得到组合模型的预测结果。采用组合模型对某市乙肝发病率进行仿真。结果表明,组合模型降低了乙肝发病率的预测误差,预测结果更加可靠,为传染病预测工作提供新的技术手段。     

基于资源预测的网格任务调度模型

跨越虚拟组织中多个域(或集群)的网格任务调度由于资源的不确定性（如动态性和异构性）而成为网格应用中亟待解决的问题。提出了一种有效的基于资源预测的网格任务调度模型——RPTS,该模型利用加权最小二乘方法进行参数估计的自回归滑动平均(ARMA)预测方法对网格环境下的主机负载进行预测。利用上述资源预测结果和一类数据并行性网格任务的建模结果,对它们进行预处理、匹配并调度执行。RPTS充分考虑了网格环境下资源的动态性和异构性,为解决网格环境下任务调度问题提供了一种较好的方法。与其他一些网格任务调度方法进行了一系列的仿真实验,结果表明RPTS模型具有任务执行时间最短和稳定性较好的特点。     

小波域多尺度ARMA模型的纹理分割方法

纹理特征的提取是纹理分割的关键。在小波域内,对图像建立多尺度自回归滑动平均(MultiscaleAutoregressiveMovingAverage,简称MARMA)模型,并用小生境遗传算法对MARMA模型进行参数估计,将估计出的参数向量作为纹理分割的特征标准。不同纹理图像的MARMA模型的参数向量具有较好的可分性,这就保证了最终纹理分割的质量。     

基于飞行计划的惯性导航误差模型分析

为了更有效地评估民航飞机惯性导航性能,更好地分析其惯导数据相对于飞行计划的误差;提出一种新方法整体分析惯导误差,将飞行计划航迹离散化计算出误差数据,使用小波多尺度分析方法,经小波变换将误差分为高频与低频两部分,将非平稳的低频部分进行差分处理转化为平稳时间序列,最终建立惯导误差数据的自回归滑动平均(ARMA)模型;通过与实际快速存取记录器(QAR)数据对比验证,此模型能较好地描述惯导误差,较为准确地描述了民航飞机惯性导航误差,为进一步分析其特性及规律奠定了基础;此方法可用于评估民航飞机惯导性能。     

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。