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“21世纪海上丝绸之路”AIS数据的船舶交通流预测

为探究“21世纪海上丝绸之路”船舶交通流规律,基于2018年“21世纪海上丝绸之路”AIS（Automatic Identification System,船舶自动识别系统）数据,利用时间序列模型分别对货船、油轮和货船-油轮这3种情形下的船舶交通流进行了研究。结果显示,船舶交通流变化规律可以用ARIMA模型（Auto-regressive Intergrated Moving Average Model,即差分自回归移动平均模型）,拟合并预测;货船、油轮和货船-油轮这3种情形有相同的最优选择模型ARIMA（1,1,2）。“21世纪海上丝绸之路”船舶交通流可由前两个时间周期内的交通流数据拟合预测,并且ARIMA（1,1,2）模型对单一船型交通流的预测效果优于对混合船型交通流的预测。     

基于多变量LSTM神经网络的澳大利亚大火预测研究

长短周期记忆神经网络(LSTM)受益于能够捕获长期依赖关系的特点,在许多实际应用中展现了优异的性能.该文构建了LSTM多变量数据驱动的预测模型,通过多变量输入的方式预测澳大利亚森林大火.首先使用多变量LSTM预测模型对日最高温度进行预测,并与反向传播(BP)神经网络以及ARIMA预测模型的结果进行对比.研究表明:以相关...     

基于LSTM的COMEX黄金期货价格预测对比研究

黄金期货价格时间序列具有复杂性、随机性和非平稳性的特点,而这三个特点是传统模型无法完全描述的,因此传统模型的预测效果不佳.利用神经网络方法进行深度学习,并建立多层LSTM及双向LSTM模型预测未来黄金期货的价格及其发展变化的规律和趋势,并且在相同数据的情况下与ARIMA模型、RNN模型、SVR模型进行了对比实验.结果表明,在四个评价指标下,双向LSTM模型优于所有对比度模型,取得了较好的预测效果.同时,双向LSTM模型的运行时间更短.因此,双向LSTM模型是一种更有效的黄金期货价格预测方法.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

结构动态监测信号缺失数据的LSTM和ARIMA预测对比研究

针对结构健康监测（SHM）中传感器难以避免的数据缺失现象,应用长短期记忆网络（LSTM）和差分整合移动平均自回归模型（ARIMA）两种方法,以光纤布拉格光栅（FBG）传感器和加速度计实测的振动信号作为训练集和测试集数据,进行了缺失数据的预测分析和效果对比。通过分析10组超参数对模型预测效果的影响,优化设计了LSTM模型。采用绝对百分比误差最大值（MAX）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）以及均方根误差（RMSE）等指标,评估了两种方法对波长和加速度信号预测值与实测值的差异。结果表明,两种方法均可实现对时间序列缺失数据的预测,LSTM模型计算精度较高,整体预测结果较好,但计算效率较低。     

基于LSTM深度学习模型的羽绒材料价格预测研究

为解决目前羽毛绒材料定价主要依据经验而缺乏理论支撑和预测精度较低的问题,本文提出利用长短期 记忆网络（LSTM）深度学习方法对羽毛绒材料价格进行自定义研究,以 2015 年-2020 年 6 年的羽绒金网数据为 依据,对其构建模型进行训练求解,幵与线性自回归移动平均（ARIMA）数理统计模型和最小二乘支持向量机 (LS-SVM)浅层机器学习模型预测效果进行对比分析。结果表明：在长期预测中,预测精度从高到低依次为 ARIMA 模 型、LS-SVM 模型、LSTM 深度学习预测模型;在短期预测中,预测精度从高到低依次为 LSTM 深度学习预测模型、 LS-SVM 模型、ARIMA 模型。同时还发现：无论长期短期预测中,不同种类的羽毛绒价格预测精度趋势相同,即 预测精度仅与资本属性有关,与资本所述类别无关。研究结论既可为羽毛绒企业进行羽毛绒材料准确定价提供理 论依据,也为人工智能技术广泛应用于量化投资领域提供实践经验     

基于WA-LSTM的短时交通流组合预测模型

为解决一维短时交通流数据难以提取特征而造成预测精度低的问题,引入小波分解对传统LSTM模型进行改进,构建一种基于WA-LSTM的短时交通流组合预测模型。首先通过小波多尺度辨析将一维短时交通流时间序列数据分解为低频趋势分量和高频细节分量,舍去最高频细节分量达到去噪效果;然后对剩余的分量使用LSTM进行建模和预测,将每个分量得到的预测结果重构,最终得到短时交通流预测结果;最后通过Pems系统实测数据对模型进行验证。研究结果表明,在以5 min为间隔的短时交通流预测中,WA-LSTM模型比传统BP、传统LSTM、WA-BP模型的预测精度更高。     

随机时序模型在某电信业务预算分析中的应用研究

在电信业务中应用预算分析能起到积极作用,通过模型识别、参数估计、模型诊断和预测使用ARIMA模型进行拟合和预测。实践表明,拟合效果很好,在理论上和实际中应用切实可行。