基于AR_CLSTM的多元时间序列预测分析

时间序列是一种广泛应用于电量预测、汇率预测、太阳能发电量预测等各种领域的数据,预测其变化具有重要的意义.与LSTM相结合的编码器-解码器被广泛应用于多元时间序列预测.由于编码器只能将信息编码成固定长度的向量,因此模型的性能随着输入序列或输出序列长度的增加而迅速下降.为此,提出了基于编解码结构与线性回归的组合模型(AR CLSTM),该模型使用基于时间步的注意力机制使解码器能够自适应选择过去的隐藏状态并提取有用的信息,并利用卷积的结构学习多元时间序列不同维度之间的内在联系,同时结合了传统的线性自回归方法来学习时间序列的线性关系,从而实现在编解码结构上进一步降低时间序列预测的误差,改善多元时间序列的预测效果.实验结果表明,AR_CLSTM模型在不同的时间序列预测上表现良好,其均方根误差、均方误差、平均绝对误差均下降显著.     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

递进自回归预测方法

提出递进自回归预测方法,其中包括递进自回归模型、递进自回归滑动平均模型、递进时变自回归模型、递进时变自回归滑动平均模型、递进回归一自回归模型。建立时间序列的递进预测公式,给出其最佳无偏预测,并推导出递进均方误差计算公式和高置信水平的递进预测区间估计。该方法是以逐步线性形式表示的一种非线性预测,既具有线性预测的简单性,又具有非线性预测精度高的特点。它不但可用于平稳时间序列预测,而且还可用于非平稳时间序列预测、确定性时间序列预测和小样本预测。此外,文中还给出时问序列线性组合及乘积的预测方法。并通过加权累加、倒数变换等方法,对观测值进行映射变换,使其呈现出更强的规律性,以进一步提高预测精度。     

基于informer的永磁同步电机参数辨识

永磁同步电机(PMSM)因其优秀的性能在工业领域有广泛的应用,其控制精度受电机的各种参数影响。随着近几年深度学习的大热,选用了一种基于Informer的辨识方法,并且与现有主流的预测模型LSTM,GRU,SAE进行对比。Informer是由编码器(Encoder)和解码器(Decoder)构成,编码器主要由自注意力蒸馏组成,编码器结构与Transformer编码器结构相同。LSTM能有效地缓解RNN模型在处理远距离输入和输出时的相关性逐渐减弱问题,使得远距离节点的参数能够更好地进行学习。GRU比LSTM具有更简单的结构,GRU的更新门合并了LSTM的遗忘门和输入门,使得模型更易于训练和调整。SAE中以通过多层的编码器和解码器结构,学习输入数据的多维特征。每一层的编码器可以捕捉输入数据的不同层次的抽象特征,有助于拟合复杂的非线性函数。数据集来源于2000次的Simulink仿真,总共2000条序列。通过多次实验,Informer预测d轴电感L_d和q轴电感L_q的准确率分别达到了91.6%和97.3%,此外,在MAE、MSE和RMSE这三个评价指标...     

优化神经网络用电量预测性能的多元线性回归方法

电网电能难以储存,其准确预测可用于指导发电计划,是电力系统运行的基础。针对用电量预测中需求波动幅度大与需求变动趋势不确定的特点,基于已有的用电数据,运用多元线性回归预测与时间序号、月度、日期、小时等因素直接相关的用电量趋势,实现用电量的宏观量级控制。其次,采用不同神经网络预测实际值与趋势值之间的偏移量,推演用电量的微观波动规律,进一步推算预测用电量。算例证明,融合多元线性回归和神经网络的预测方法减小了总体预测误差,其预测精度高于没有多元线性回归处理的神经网络。     

生产计划与调度中的次年产量预测方法

针对生产计划与调度中次年产量预测误差较大的问题,提出一种基于动态改进多元线性回归模型的次年产量预测方法.多元线性回归模型将生产管理过程中的制造资源、人力投入、制造工艺、产品报废等生产全周期的影响因素作为建模变量,即将影响次年产量的相关因素尽可能多地包含在预测模型中,从而使模型的预测结果更接近实际产量.运用后推法,将建立的初始多元线性回归模型进行显著性辨别,剔除了对次年产量影响不显著的变量,建立了产量预测的改进多元线性回归模型,在此基础上进一步建立了动态改进多元线性回归模型.将该方法运用到某航空制造企业的次年产量预测中,通过对比模型预测产量和实际产量,证明了该模型在次年产量预测方面的实用性.     

基于高斯回归分析的高温合金刀具磨损在线预测方法

目前的高温合金刀具磨损在线预测方法预测时间过长,预测误差较大.为了解决上述问题,基于高斯回归分析方法建立了一种新的高温合金刀具磨损在线预测方法,设立高斯回归模型,分析切削力和刀具磨损时间序列数据,对数据进行划分,列出线性数据和非线性数据.引入平滑度理论对建立的高斯回归模型进行优化,借助构建的高斯回归模型计算刀具刀面的最...     

异方差回归与自回归模型

建立时间序列异方差回归和预测模型,将现行的误差项方差相同、均值为零的回归分析推广到误差项方差变化且均值不为零的情况,解决了实际中常见的异方差以及由于自变量不能充分解释因变量而引起的误差项均值不为零的问题。针对误差项相关且均值、方差都变化的情况,文中还进一步建立异方差回归-自回归模型,将误差项为传统平稳序列(均值和方差为常数)的回归-自回归模型推广到误差项为相关系数平稳序列(均值和方差变化)的情况,给出回归-CCAR(P)模型和回归-CCARMA(p,q)模型的参数估计方法,提出异方差回归-自回归预测模型。该模型能充分发挥回归和自回归各自的优点,对时问序列进行高精度的分析和预测,可广泛用于自动控制、结构响应分析、故障诊断以及经济和商业预测等。     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

数控机床热误差补偿模型稳健性比较分析

数学模型的精度特性和稳健性特性对数控机床热误差补偿技术在实际中的实施性影响不容忽视。对数控加工中心关键点的温度和主轴z向的热变形量采用多种算法建立了预测模型,对不同算法拟合精度进行分析。同时进行全年热误差跟踪试验,获得了机床在不同环境温度和不同主轴转速的试验条件下的敏感点温度和热误差值。以此为基础,对各种预测模型的预测精度进行比较验证不同模型的稳健性。结果表明,多元线性回归算法的最小一乘、最小二乘估计模型以及分布滞后模型在改变试验条件时预测精度下降,而基于支持向量回归机原理的热误差补偿模型仍能保持较好的预测精度,稳健性强。这为数控机床热误差补偿模型的选择提供了具有实用价值的参考,具有很好工程应用性。     

基于LSTM的化肥价格指数预测

化肥作为重要的农资产品,其市场价格受到原料价格、汇率政策、供给等多方面的因素调控,化肥价格的波动对国民经济有着重大的影响。因此,化肥价格准确地预测能将其对农业乃至国民经济的影响降至最低。提出基于长短时记忆(LSTM)单元的循环神经网络(RNN)模型,它能有效地利用序列数据长距离依赖的信息,被广泛地应用于时间序列信息的预测中。考虑多因素对化肥价格的影响,结合近年化肥交易价格的走势数据,对数据进行回归拟合,生成训练模型,然后将得出的模型用于化肥交易价格进行预测,最终在数据集上测试误差(MSE)为0.000 549 3,取得了良好的预测效果。     

基于BP神经网络的三角机翼飞行载荷模型研究

针对三角机翼结构设计复杂、传力路径多和大载荷引起结构非线性等因素,采用BP神经网络方法建立飞行载荷模型。通过地面静力试验,利用某型三角机翼载荷标定试验数据,建立机翼根部剪力和弯矩的载荷模型,并对多个校验工况进行验证。经与多元线性回归载荷预测结果对比分析,结果显示,BP神经网络模型预测误差都在3%以内,特别对于剪力,BP神经网络预测误差明显小于多元线性回归,表明BP神经网络可作为测量三角机翼飞行载荷的一种更加有效的工程方法。     

基于IAGA-LSSVM的切削加工表面粗糙度的智能预测

提出了一种基于改进自适应遗传算法与最小二乘支持向量机(IAGA-LSSVM)的切削加工表面粗糙度的智能预测方法。通过设定LS-SVM模型主要参数的取值范围,采用IAGA进行寻优,提高了LS-SVM预测模型的精度。最后采用平均相对预测误差作为检验指标,比较了多元线性回归模型、BP神经网络模型、AGA-LSSVM模型及IAGA-LSSVM模型对表面粗糙度的预测能力。结果表明:IAGA-LSSVM预测模型的建模时间更短,平均相对预测误差更小,对切削加工表面粗糙度的预测具有一定的参考意义。     

基于温度特征提取的数控机床热误差建模

在数控机床的热误差补偿技术中,机床温度信息的提取对改善机床的加工精度至关重要。首先对广泛使用的模糊聚类多元线性回归模型在变工况下的性能进行了试验,结果证明:试验工况变化后,该模型预测值失准。通过方差膨胀因子判断,这种现象是由模型自变量的复共线性引起。为了改进上述模型,提出了一种温度特征提取的建模方法,通过特征提取算法,提取模糊聚类优化测点的综合特征,从而得到综合特征自变量,最后利用综合自变量进行回归建模。试验表明,该方法有效消除了复共线性对模型预测精度和鲁棒性的影响,优化后的回归模型均方根误差在4μm以内,可有效预测76%以上误差,相较于其他方法表现出优良的预测性能,易于在其他机床热误差补偿中推广使用。     

回归与时变自回归模型

提出回归-时变自回归（regression and time-varying autoregression,RTVAR）模型和广义回归-时变自回归（generized regression and time-varying autoregression,GRTVAR）模型,将误差项为平稳序列（均值和方差为常数）的回归-自回归模型推广到误差项为广义时变自回归序列（均值、方差及自回归系数都变化）的情况。文中给出RTVAR模型和GRTVAR模型参数的估计方法,并建立广义回归-时变自回归预测公式。该模型能充分发挥回归和时变自回归各自的特点,通过自回归对回归分析中的误差项进行补偿,同时采用回归分析解释变量的作用,大大提高时间序列的分析与预测精度,可广泛用于自动控制、故障诊断以及经济预测等领域。     

多尺度超图卷积骨架动作识别网络

动作识别是计算机视觉基础任务之一,骨架序列包含了大部分的动作信息,因此基于骨架的动作识别算法受到很多学者关注。人体骨架在数学上是一个天然的图,所以图卷积被广泛应用于动作识别。但普通的图卷积只聚合两两节点间的低阶信息,不能建模多节点间的高阶复杂关系。针对此问题,本文提出一种多尺度超图卷积网络,在空间和时间两个维度聚合更丰富的信息,提高动作识别准确度。多尺度超图卷积网络采用编解码结构,编码器使用超图卷积模块聚合超边中多个节点间的相关信息,解码器使用超图融合模块恢复原始骨架结构,另外基于空洞卷积设计了多尺度时间图卷积模块以更好地聚合时间维度运动信息。NTURGB+D和Kinetics数据集上的实验结果验证了算法的有效性。     

基于正则化的机床热误差自适应稳健建模算法

通过建立预测模型对机床热误差进行补偿,是有效解决热误差造成机床精度下降问题的常用方法。本文提出一种基于正则化的数控机床热误差自适应稳健建模算法,能够在建模过程中自适应选择温度敏感点(TSPs),并具有高预测精度和稳健性。首先基于结构风险最小化原则对热误差建模稳健性机理进行分析,进而利用正则化算法中LASSO解的稀疏性实现自适应TSP选择。然后基于不同实验条件的热误差数据,分析所提建模算法的预测效果,并与常用的多元线性回归、BP神经网络和岭回归算法进行比对分析。结果表明,本文所提建模算法具有最高的预测精度和稳健性,分别为5.22和1.69μm。最后,利用所建立的预测模型进行热误差补偿实验,以验证本文所提建模算法的实际补偿效果。     

数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。     

基于时间——高斯混合模型的刀具磨损预测

连续刀具磨损过程的预测对实现自适应控制和优化制造工艺、提高生产效率和质量起着重要作用。为最大化描述磨损数据内在关系和提高预测模型精度,提出一种基于时间—高斯混合模型的刀具磨损建模方法,即采取将刀具磨损时间序列数据分成线性和非线性结构的策略,时间序列用来描述数据的线性相关趋势,非线性的异构部分则进行高斯过程回归建模。通过与现有的单一模型对比,结果表明该混合模型能对刀具磨损进行有效的预测,而且具有更高的预测精度。     

基于微动特性分析的精密线性平台微行程重复定位精度表征与补偿

重复定位精度是衡量运动系统精确性和稳定性的关键指标。以广泛应用于精密/超精密工程领域的精密线性平台为对象,针对微行程尺度下重复定位精度信息表征不清晰,误差补偿不精确等问题开展研究。首先,分析精密线性平台机械结构,辨识误差源并获取敏感误差项;其次,求解丝杠螺母副等效刚度、丝杠螺母副等效摩擦、直线导轨等效摩擦等物理信息,分析微行程(<0.1 mm)下精密线性平台微动特性,建立微行程尺度下动力学微分方程;最后,综合建立精密线性平台重复定位精度的误差模型,基于统计学规律计算其重复定位精度分布特性。通过不同行程(10 mm, 0.1 mm, 0.01 mm)测量试验可知,各带宽区间与理论值基本相等,表明重复定位精度数值与行程无直接关系,且位移-时间、速度-时间曲线均和仿真曲线趋势相同,证明了模型的精确性。调整材料属性后,新平台重复定位精度与误差模型预测值基本接近,同时结果优于原平台,证明了所提出精密线性平台微行程重复定位精度表征与补偿方法的可行性。该方法对于提升精密线性平台微行程重复定位精度具有重要意义。