基于AR和PSO_SVR的故障趋势预测

针对机械设备产生的非线性、非平稳时间序列,首先使用自回归模型对非平稳数据进行平稳化处理并确定模型的阶数,再使用支持向量回归算法对平稳后的数据进行拟合,并使用粒子群算法优化支持向量回归算法参数。最后,将该模型用于滚动轴承的退化趋势预测,通过提取滚动轴承的时域和频域特征,以经过主成分析降维后的数据为基础进行趋势预测。将该模型预测的结果与单独使用自回归模型和支持向量机模型预测的结果进行对比,实验结果表明该模型预测的效果较好。     

基于AR-DBN的建筑分项能耗短期预测

针对现有总能耗预测方法不能准确分辨建筑能耗的消耗去向且预测精度较低的问题,根据能耗用途,将总能耗分为4项,提出一种建筑能耗分项预测模型。基于时间序列自回归模型,对建筑物的照明能耗进行短期预测。构建深度置信网络模型,根据照明能耗预测结果、室外逐时平均温度、室外逐时平均相对湿度、天气特征值、节假日、逐时平均风速以及一天24个整点时刻,分项预测空调能耗、动力能耗和特殊能耗。实验结果表明,相比总能耗预测模型iPSO-BP和BP,该模型能更加精确、有效地预测建筑能耗中的各分项能耗。     

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。     

基于神经网络的时间序列鲁棒预测

为了实现神经网络预测模型的便棒预测,提出一种基于非线性偏自相关的一般化预测模型辨识方法。该方法通过考察待预测时间序列的当前序列值对各阶历史序列的不可约自依赖,确定神经网络这类非线性自回归模型的自回归阶数。实现表明,该方法可有效地提高神经网络预测模型的鲁棒预测能力。     

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.     

ARIMA模型在期货交易预测中的应用研究

求和自回归移动平均模型(ARIMA)在非平稳时序序列预测中有良好的效果,文章通过对原始数据进行简单平稳处理,在一定程度上达到减小预测误差,提高预测精度的目标。     

基于灰色关联度准则的TVARMA模型参数估计方法*

针对时变自回归滑动平均模型参数估计问题,基于时间基扩展思想,推导了两种不同的时变自回归滑动平均模型参数估计方法——非线性最小二乘方法和辅助序列法,并以灰色关联度作为观测序列和模型输出序列的相似性评价准则,给出相应的参数迭代估计过程。分别将这两种不同的迭代估计方法应用于某飞行器的结构响应非平稳时间序列的建模,应用结果表明,辅助序列法与非线性最小二乘方法相比,在参数估计精度、收敛特性等方面,前者均优于后者;辅助序列法更适于非平稳时间序列的建模。     

基于快速小波变换的石英加速度计零偏预测

针对石英挠性加速度计零偏在贮存期间受外界环境影响发生漂移的补偿问题,研究了基于快速小波变换的加速度计零偏预测方法.通过Mallat算法从非平稳的零偏序列中提取出平稳的细节序列和非线性趋势序列,再根据序列的特点分别采用自回归移动平均(ARMA)模型和径向基函数(RBF)神经网络进行预测建模;最后利用小波重构公式得到零偏预测值.为验证所提方法的有效性,对某型加速度计2年贮存条件下的零偏标定值进行了建模仿真.结果显示:组合模型较单一自回归综合移动平均(ARIMA)模型和RBF模型预测精度分别提升45.5％和47.4％.     

区间时间序列的混合预测模型

提出一种基于自回归求和移动平均(ARIMA) 与人工神经网络(ANN) 的区间时间序列混合模型, 并用混合模型分别对区间中值序列和区间半径序列建模. 采用Monte Carlo 方法生成模拟区间序列, 分别用ARIMA、ANN和混合模型3 种方法进行建模和预测实验, 并用统计学方法检验模型误差. 最后分别采用3 种方法对H市轨道交通某号线牵引能耗区间序列进行了建模和预测, 实验结果表明混合模型的建模精度和预测性能均优于单一模型.

     

基于自适应混合优化的电力数据预测方法

电力数据易受气候、季节、节假日等因素影响,出现不同波动特征.针对不同特征电力数据预测精度不高、预测方法泛化能力弱等问题,提出基于自适应混合优化的电力数据预测方法 .通过使用小波变换和平稳性分析,将电力数据自适应地分解为包含趋势、季节和周期信息的非平稳序列和多个平稳序列;使用状态转移算法分别优化长短时记忆深度学习网络和自回归移动平均模型,对非平稳序列和平稳序列分别拟合、预测;对预测的各序列进行重构,得到最终预测结果.在电力系统数据上进行多步预测,对比实验表明:与其他方法相比,所提方法不仅具有更高的预测精度,还具有较强的泛化能力.     

基于支持向量回归的多时间序列自回归方法

能耗时间序列涉及多种能源,且各种能源间关系复杂,主要通过多个独立的单时间序列进行预报,这种方式忽略了多时间序列之间的依赖性。为了充分利用多时间序列之间的关联信息以提高预报的准确性,根据机器学习中的向量值函数学习和多任务学习理论,采用支持向量回归(SVR)算法建立了多时间序列的向量值自回归方法和多任务自回归方法。实验结果证明,与多个独立的单时间序列模型相比,通过这种方法建立的多时间序列自回归模型在焦化工序能耗预报中表现出了更好的性能。     

基于长短期神经网络的遥测参数趋势预测

时间序列分析的主要目的是根据已有的历史数据对未来进行预测。传统的时间序列预测主要依靠基于模型的方法，比如季节性差分整合移动平均自回归模型（SARIMA）和指数平滑法（EXP）等。此类方法的参数选择严重依赖于专家经验，适用性并不广泛。针对周期性遥测参数，采用长短期记忆网络（LSTM），学习长时序依赖关系并给出多步预测值。试验通过将预测问题转化为监督学习问题建立半实时仿真环境，并重点研究了观测窗口、预测窗口、网络结构等对性能指标的影响。对比LSTM、SARIMA、EXP，结果表明LSTM具备优异的线性拟合能力和良好的非线性关系映射能力。LSTM预测方法摆脱了传统方法受制于专家经验和模型精度低等问题，为开展实时遥测参数预测奠定了基础。     

The short-term forecasting of evaporation duct height (EDH) based on ARIMA model

The short-term prediction of EDH time series plays an exceedingly important role in several fields such as communications, navigation and so on. In this paper, an application of autoregressive integrated moving average (ARIMA) for short-term forecasting of EDH time series is presented. In order to obtain the EDH, a body of sensors such as air temperature, relative humidity and pressure sensors were installed at different height based on the tower platform. EDH was calculated according to Debye theory and a log-squares curve fit. The comparison showed that the predicted EDH values were in good agreement with the measured values. It also indicates that ARIMA provides promising results for short-term prediction of EDH in the experiment.     

智慧农业中时序数据组合预测模型

智慧农业是实现农业精准化的技术解决方案,智慧农业系统可以实时监测植物生长的各类环境参数,并可以应用相应的预测模型来模拟农作物生长环境的变化趋势,为科学决策提供依据。近年来有很多学者提出了时间序列的预测模型算法,在预测稳定性方面取得了不错的效果。为了进一步提升时间序列的预测精度,提出一种基于差分整合移动平均自回归模型和小波神经网络的组合预测模型。该组合模型结合2个单项模型优点,用差分整合移动平均自回归模型来拟合序列的线性部分,用小波神经网络来校正其残差,使其拟合曲线更接近于实际值,采用温室内的历史温度数据来验证该组合模型的精确度,最后将组合模型与传统预测模型的预测结果进行对比。结果表明,该组合模型用于温室温度预测的精确度更高,拟合效果更好,相比于传统模型预测算法计算效能提高了20%左右。     

基于CEEMDAN-RVM-EC的还原冶炼温度预报

针对高炉炼铁还原过程中非线性和大时滞等特点造成温度监测难度大的困境, 提出一种融合数据分 解、机器学习和误差修正的高炉铁水温度组合预测新模型. 首先, 引入带自适应白噪声的完备集合经验模态分解方 法对铁水温度序列进行分解处理, 通过提取不同频率的规律特征, 使复杂的非线性序列转化为规律性较强的子序 列; 随后, 采用相关向量机对子序列进行学习, 充分挖掘铁水温度序列的信息, 获得精度较高的预测结果; 最后, 将对 铁水温度影响较大的硅含量和富氧率等相关因素作为辅助参数, 使用经主成分分析处理后的辅助参数序列对预测 结果进行修正, 提高模型的预测准确性. 结果表明: 相较于整合移动平均自回归模型等传统模型, 所提出的新模型 综合性能更优, 即平均绝对误差百分比减小53.57%, 铁水温度为±10 ?C范围内的预测命中率提高25%. 所提出的模 型为实现高炉温度实时精细化调控提供了理论支撑, 对保证炉况稳定、提升产品质量和降低冶炼能耗具有重大实 际意义.     

基于VAR的电能表降维误差估计模型

为达到远程监控电能表状态并及时准确发现电能表异常的目的,本文提出了一种基于VAR的电能表降维误差估计模型,通过对于电能表电量数据的获取、分析及筛选,采用主成分分析方法（PCA）对于原始数据进行降维,通过向量自回归模型（VAR）提取时间序列中的特征,从而准确预测电能表使用电量并对比出用电异常电能表。其中PCA降维算法处理了实际模型的不可解性,VAR自回归算法提高了估计的稳定性和精度,相较于传统方法具有预测准确度高,所需数据量小的特点。为验证该方法的有效性和实用性,将该方法应用于实际台区中测试,通过对于台区中127块电表半年内的用电数据进行分析,准确定位出8个异常电能表。结果表明,该方法不需要提前独立计算网损,能够实时估计智能电表误差和网损率。     

基于动态隶属度的模糊时间序列模型的水质预测研究

科学有效的水质预测对于水资源的管理与水污染预警尤为重要。由于水质指标序列存在非线性、非平稳性、模糊性和季节性等特点,传统预测模型的精度受到一定的限制。结合差分整合自回归移动平均ARIMA模型和经典模糊时间序列模型的特性,提出了一种基于动态隶属度的模糊时间序列水质预测新模型。首先,利用模糊C均值聚类从原始数据中构建隶属度序列;其次,利用经典的时间序列模型对不同的子隶属度序列进行预测,得到动态隶属度;最后,去模糊化得到水质指标的预测值。应用提出的新模型对岷江某断面的水质指标进行了短期预测,并与经典模糊时间序列模型和ARIMA乘积季节模型进行对比。实验结果表明,新模型在RMSE、MAPE和MAE上均优于经典模糊时间序列模型和ARIMA乘积季节模型,极大地提高了预测精度,可为水污染防治提供有价值的参考。     

一种基于小波变换和ARIMA的短期电价混合预测模型

为在实时电价情况下预测未来24小时电价, 提出一种基于小波变换和差分自回归移动平均(ARIMA)的短期电价混合预测模型。该模型分别根据是否受到需求量影响使用ARIMA模型对多尺度小波变换分解后的时间序列进行预测。同时提出一种电价突变点发现和处理算法。使用澳大利亚新南威尔士州2012年真实数据验证表明, 相对ARIMA预测, 改进后的混合模型在不考虑需求量影响时预测精度更高; 电价突变点发现和处理算法能够准确处理电价异常点, 提高预测精度。     

基于云模型的短时交通流预测方法研究

为了提高短时交通流预测的精确性,提出了一种基于云模型的短时交通流智能预测方法.该方法利用云模型拟合交通流,分别用历史交通流和当前交通流建立历史云和当前云,共同生成预测云,用采预测交通流.结合广州市某交叉口交通流量采集数据,进行了仿真试验,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两个指标来衡量预测效果,结果表明了该预测方法具有较高的预测精度.该方法既考虑到交通流历史变化,又顾及交通流实时变化,同时将交通流做整体性处理,很好地避开了噪声引起的预测误差问题,兼顾了预测精度和实时性的要求.     

Autoregressive forecast of monthly total ozone concentration: A neurocomputing approach

The present study endeavors to generate autoregressive neural network (AR-NN) models to forecast the monthly total ozone concentration over Kolkata (22°34′, 88°22′), India. The issues associated with the applicability of neural network to geophysical processes are discussed. The autocorrelation structure of the monthly total ozone time series is investigated, and stationarity of the time series is established through the periodogram. From various autoregressive moving average (ARMA) and autoregressive models fit to the time series, the autoregressive model of order 10 is identified as the best. Subsequently, 10 autoregressive neural network (AR-NN) models are generated; the 10th order autoregressive neural network model with extensive input variable selection performs the best among all the competitive models in forecasting the monthly total ozone concentration over the study zone.