基于ARIMA和LSTM模型的建筑安全事故预测

研究比较差分自回归移动平均模型(Autoregressive Integrated Moving Average model,简称ARIMA)与长短期记忆神经网络(LongShortTermMemory,LSTM)模型在建筑安全事故预测中的效果。采用2012—2018年全国建筑安全事故快报数据训练ARIMA及LSTM模型,并对全国每年、每月发生的建筑安全事故次数进行预测,使用RMSE和MAE作为评价指标对比两种模型的预测准确率。ARIMA(1,1,0)模型和LSTM模型的RMSE、MAE值分别为8.1318、6.5911和16.4341、14.5534。结果表明,ARIMA模型比LSTM模型更适于预测建筑安全事故发生次数。     

基于自适应VMD-注意力机制LSTM的时间序列预测

真实世界中的时间序列存在非平稳、非周期性波动等特点,直接对其进行预测通常难以达到较好的效果,且极易出现滞后现象。针对上述问题,提出了一种基于自适应变分模态分解的时间序列预测方法。为降低复杂度,首先利用变分模态分解将原始时间序列分解为一系列相对平稳的子序列,并根据最大信息系数确定子序列的输入长度,进而采用带注意力机制的双向长短期记忆网络模型进行预测。为确保该方法能发挥最佳性能,提出一种网格贝叶斯优化方法,对方法参数进行自适应寻优。实验部分将所提方法对时间序列分别进行了单步、多步预测。通过与现有常用方法的对比可以看出,所提方法具有明显精度优势。此外,通过实验结果发现,所提方法可通过更换回归模型来取得预测精度和计算效率的折中,证明其场景适应能力较强。     

基于XGBoost和LSTM加权组合模型在销售预测的应用

针对多变量的商品销售预测问题,为了提高预测的精度,提出了一种ARIMA-XGBoost-LSTM加权组合方法,对具有多个影响因素的商品销售序列进行预测,本文采用ARIMA做单变量预测,将预测值作为新变量同其他变量一起放入XGBoost模型中进行不同属性的挖掘,并将XGBoost的预测值合并到多变量序列中,然后通过将新的多维数据转换为监督学习序列后利用LSTM模型进行预测,将3种模型预测结果进行加权组合,通过多次实验得出最佳组合的权值,以此计算出最终的预测值.数据结果表明,基于XGBoost和LSTM的加权组合的多变量预测方法比单一的预测方法所得到的预测值更为精准.     

时间序列模型和LSTM模型在水质预测中的应用研究

针对传统河流水质预测模型预测精度较低,泛化能力弱的问题.本文在基于传统的时间序列模型进行水质预测的基础上,引入了LSTM神经网络,建立了ARIMA和LSTM组合模型以及SARIMA和LSTM组合模型用于河流水质预测的研究.结果表明,ARIMA和LSTM组合模型的预测精度比单一的ARIMA模型提高了约7％,SARIM和L...     

基于时间序列分析的ARIMA模型分析及预测

针对能源合理利用中的负荷预测及理论分析指导等问题,提出了根据时间序列分析的理论方法,建立了ARIMA模型,为能源生产、储备及使用提供了预测理论与方法。仿真实验选取了某地区1997-2006年电力系统月负荷生产实际数据,建立模型并进行了分析和预测。结果表明,所建立模型的分析预测结果是合理和可靠的。     

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LSTM的航空公司能耗序列预测

为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络(LSTM)的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监督型数据,构建基于LSTM的模型来实现航空公司能耗预测,并利用网格搜索算法进行参数优选。实验结果表明,该模型预测精度优于传统ARMA模型、SVR模型,验证了其可行性。     

基于ARIMA模型的二手房价格预测

 摘要： 近年来,我国一二线城市房价持续上涨,房屋成了人们日常生活讨论的热门话题,大家纷纷对未来的房价走势做出猜测。本文爬取国内某知名大型房产网站自2013年以来广州和深圳的二手房均价数据,采用ARIMA模型对未来的房价进行滚动预测,并使用RMSE对预测精度进行判断。结果表明,该模型可以对二手房均价进行持续预测,且预测精度较高,可为房屋买卖者提供参考。     

基于ARIMA与SVR滚动残差模型组合的股票预测

为提高金融市场股票的预测精确度,提出自回归差分移动平均与支持向量机滚动残差模型组合的预测股票方法。以贵州茅台的股票数据为研究对象,借助ARIMA模型实现对股票数据的线性趋势预测,通过滚动残差的SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR滚动残差模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与滚动残差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和神经网络模型的城市燃气负荷预测

城市燃气负荷预测是城市天然气调配的重要环节。在对燃气负荷时间序列进行小波周期分析的基础上,建立燃气负荷的基于ARIMA的神经网络温度矫正模型,ARIMA模型对年周期数据进行平滑,有效去除了过去的短期影响;将大气温度作为神经网络的输入对ARIMA模型预测值进行修正。经过检验,该模型很好地揭示了燃气负荷时间序列的特征,预测效果较好。     

基于小波分解与重构的时间序列预测法

一般的时间序列预测方法对非线性非平稳的信号不适用.本文提出了一种基于多分辨小波分解与重构的预测方法.与一般方法相比,这种方法有效地提高了预测的准确度.     

基于LDA符号表示的时间序列分类算法

近年来,基于符号表示的时间序列分类方法受到广泛关注,大部分现有方法对原始数据进行符号表示时,没有使用类别的标签信息。提出基于线性判别分析(LDA)的时间序列符号表示方法,考虑最大化类间区分度,使用LDA对原始数据集进行维数约减。再利用信息增益寻找降维后数据的符号投影区间,采用多重系数分箱(MCB)技术将维数约简后数据表示成符号序列。该方法在20个时间序列数据集上的分类效果好于已有方法,有监督的符号表示方法能有效提高分类性能。     

基于GRU和LightGBM特征选择的水位时间序列预测模型

水位时间序列受降雨量影响,在变化规律上呈现出季节性和复杂性。传统模型结构简单且很少考虑季节性因素的影响,对于汛期复杂的水位时间序列预测精度欠佳。提出一种基于GRU和LightGBM水位时间序列预测模型。利用GRU提取水位数据建立水位数据预测的基础模型,将预测结果分为非汛期与汛期两个阶段分别与LightGBM特征选择后的环境因素结合建立最终模型,解决了模型对于不同季节预测值简单叠加导致的精度丢失的情况。预测模型以射阳河流域站点为例,对水位时间序列进行预测。实验结果表明,该模型能更有效处理水文数据复杂的季节性变化,提高了预测的精确度。     

非线性混沌时序的神经网络预测与控制算法研究

基于神经网络对时序问题的预测能力,本文提出了将混沌和神经网络相结合,应用神经网络来训练混沌序列的预测模型及方法,实现了将混沌系统快速地稳定到期望点上。理论分析和仿真结果均表明了该方法的有效性,且算法弹性大,可扩充性好,稍作修改后,可适应不同的混沌映射。     

基于时序分析的人体运动模式的识别及应用

为了满足对老年人活动能力的检测需求,提出一种基于人体动作状态序列时序分析的运动模式识别方法。利用加速度传感器采集人体腰部的运动信息,通过滑动窗口对加速度数据进行自动检测、去噪和特征提取,构造隐马尔科夫模型实现人体日常活动序列的训练和识别。实验结果证明该方法可以有效区分不同的日常活动行为,能在辅助医疗中发挥重要作用。     

AN ENHANCED DETERMINISTIC FUZZY TIME SERIES FORECASTING MODEL

The study of fuzzy time series has attracted great interest and is expected to expand rapidly. Various forecasting models including high-order models have been proposed to improve forecasting accuracy or reducing computational cost. However, there exist two important issues, namely, rule redundancy and high-order redundancy that have not yet been investigated. This article proposes a novel forecasting model to tackle such issues. It overcomes the major hurdle of determining the k-order in high-order models and is enhanced to allow the handling of multi-factor forecasting problems by removing the overhead of deriving all fuzzy logic relationships beforehand. Two novel performance evaluation metrics are also formally derived for comparing performances of related forecasting models. Experimental results demonstrate that the proposed forecasting model outperforms the existing models in efficiency.     

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题.对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法.利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练.在线更新循环神经网络的过程中,利用卡...     

基于OLPP符号表示的时间序列分类算法

基于符号表示的时间序列分类方法是时间序列数据挖掘的关键技术.大部分现有方法主要针对单个时间序列样本进行符号表示,没有考虑样本间的近邻关系对符号化分类的影响.对此提出一种基于正交局部保持映射(Orthogonal Locality Preserving Projection,OLPP)的时间序列符号表示方法.使用OLPP...     

FORECASTING FUZZY TIME SERIES ON A HEURISTIC HIGH-ORDER MODEL

ABSTRACT

Chen first proposed the high-order fuzzy-time series model to overcome the drawback of existing fuzzy first-order forecasting models. His model involved easy calculations and forecasted more accurately than the other models. This study proposes an enhanced fuzzy-time series model, called heuristic high-order fuzzy time series model, to deal with forecasting problems. The proposed model aims to overcome the deficiency of Chen's model, which depends strongly on the highest-order fuzzy-time series to eliminate ambiguities at forecasting and requires a vast memory for data storage. The empirical analysis reveals that the proposed model yields more accurate forecasts.