基于商空间理论的冬小麦产量预测和分析

文中从粒度计算角度对气象数据和历史产量进行分析。首先在商空间粒度计算理论框架下,通过对历年光、温、水等环境气象要素的分析,得出商空间模型下的特征属性;再通过对历史产量的分析,运用统计学方法获取相应的决策属性,将特征属性和决策属性相结合采用构造性机器学习方法对安徽省冬小麦产量进行预测,建立产量预测模型以实现冬小麦的较为准确的产量预测和分析。实验证明这种基于商空间粒度计算理论的产量预测方法是行之有效的。     

基于商空间理论的冬小麦产量预测和分析

文中从粒度计算角度对气象数据和历史产量进行分析.首先在商空间粒度计算理论框架下,通过对历年光、温、水等环境气象要素的分析,得出商空间模型下的特征属性;再通过对历史产量的分析,运用统计学方法获取相应的决策属性,将特征属性和决策属性相结合采用构造性机器学习方法对安徽省冬小麦产量进行预测,建立产量预测模型以实现冬小麦的较为准确的产量预测和分析.实验证明这种基于商空间粒度计算理论的产量预测方法是行之有效的.     

基于商空间的煤矿瓦斯浓度预测研究

针对瓦斯浓度预测存在多因素影响的特点,在商空间理论下,采用多种粒度,从不同的角度(层次)来分析瓦斯预测的数据,同时利用商空间的合成和多侧面递进算法,提出一种神经网络模型和覆盖算法结合的模型来对瓦斯浓度进行预测.通过对测试样本进行实验,结果表明,该方法比传统方法具有更好的预测效果.     

作物产量预测的粒度分析法

针对作物产量预测,提出基于商空间粒度计算的分析法。在商空间粒度计算理论思想下,分析作物产量序列中粒度的选取,用属性划分方法对论域X进行颗粒化,对属性f取不同的粒度进行颗粒化。通过属性的粒度变化对论域进行划分,得到新的商空间并应用其解决问题,可以降低问题复杂度。通过商空间理论中的分层与合成技术选取大小合适的粒度,能全面获取产量序列中的信息,也更加符合人类智能特点。冬小麦产量预测实验结果也证明这种粒度分析和选取方法是有效的。     

基于商空间理论的模糊粒度计算方法

商空间信息粒度模型可以从不同角度、不同层次观察问题.本文首先将商空间理论中论域合成技术进行推广,根据已知的粒度知识给出了粒度搜索范围,在问题求解中,降低了计算复杂度.然后讨论了模糊商空间粒度计算和分层递阶结构的关系,用不同粒度的商空间模型来表示聚类的结构.据此提出了基于Gaussian型函数的模糊聚类算法(G-FCluster算法),算法用距离表示信息粒度,不需要定义隶属函数和求出相似矩阵,并且不需要讨论参数的选择.将算法应用于中国证券市场,并与FCM算法进行比较.实验说明了算法可以很直观地从不同粒度(距离)观察聚类结果,大大降低了计算复杂度和空间复杂度,适于处理大数据量的样本.     

基于最小二乘法的粒度决策演化模型预测方法

粗糙集理论是一种处理不确定知识的数学工具,目前在时间序列数据的研究已经取得了一定的成果,但这些研究都停留在静态表的基础上,在实际应用中有着明显的局限性。该文研究多粒度时间序列下各个粒度所产生的决策间的相互关联性,在粒度决策演化模型的基础上,利用最小二乘法设计了新的预测方法,通过实例验证了算法适合于该模型的预测,具有良好的效果。     

基于商空间的模糊聚类方法研究

商空间粒度理论给我们提供了一种研究不同粒度世界的方法,通过粗细粒度的转换,能够满足不同层次的需求。本文提出一种基于商空间的模糊聚类分析模型,结合了商空间粒度理论、分层递阶结构和模糊综合评价模型的思想。最后给出应用实例对客户进行细分,实验证明该模型在解决多维数据分类问题时是有效合理的。     

基于混合深度神经网络的大气污染预测

城市空气污染物分布受各种因素的影响,准确预测空气污染物分布情况可以提高环境管理的决策能力,防止严重空气污染事件的发生。基于大量的气象数据和深度学习技术,笔者提出了一种新的大气污染物浓度预测方法。该方法使用卷积神经网络作为基础层的设计,可自动提取输入数据的特征。输出层运用一个长短时记忆网络,以保证时间依赖性。通过性能优化,该模型可以按时间序列预测未来的细颗粒物(PM2.5)质量浓度。使用郑州市的历史气象数据,将模型预测结果与实际结果进行比较;实验结果表明,与经典深度学习模型相比,该算法提高了预测性能。     

多时间粒度序列模式挖掘

序列模式挖掘是数据挖掘的一个重要问题.传统的序列模式仅能揭示频繁出现的项目以及出现的顺序,但不能揭示在前续项目出现的情况下,后续项目出现的时间.在本文中,引入一种新的多时间粒度序列模式,模式中相邻项目之间的转换时间采用从原数据集中导出的、多时间粒度下的最小有界时间区间和平均时间标注.建立了多时间粒度序列模式挖掘模型,提出了一种新的多时间序列模式挖掘算法MG-PrefixSpan.实验表明,算法是有效的.     

基于GCN-GRU的瓦斯浓度时空分布预测

在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果。针对上述问题,提出一种基于图卷积神经网络（GCN）和门控循环单元（GRU）的瓦斯浓度时空分布预测模型。首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模。然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU。最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果。试验结果表明：(1) GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均（HA）模型和支持向量回归（SVR）模型。(2) GCN-GRU模型的均方根误差较HA模型、...     

商空间粒度预测方程

以商空间粒度计算理论为基础,综合考察了粒度计算,粒度上信息的增长,以及粒度集合上信息的白化问题。进一步在原粒度拓扑关系基础上建立了粒度白化信息的拓扑结构,使信息增长符合一定的拓扑关系。最后结合灰色理论的方法论建立了商空间应用领域的预测方程,是信息预测的新尝试。     

基于LightGBM算法的能见度预测模型

为了提高能见度预报的准确率,尤其是低能见度预报的准确率,提出一种基于集成学习随机森林和LightGBM的能见度预测模型。首先,以数值模式系统的气象预报数据为基础,结合地面气象观测数据、PM_2.5浓度观测数据,利用随机森林算法构建特征向量;其次,针对不同时间跨度的缺失数据,设计了3种缺失值处理方法对缺失值进行替代,生成用于训练和测试的连续性较好的数据样本集;最后,建立基于LightGBM的能见度预测模型,并用网络搜索法对其进行参数优化。把所提模型与支持向量机（SVM）、多元线性回归（MLR）、人工神经网络（ANN）在性能上进行对比。实验结果表明,对于不同的等级的能见度,应用LightGBM的能见度预测模型获得预兆得分（TS）均较高,而对于<2 km的低能见度,该模型对各观测站点的能见度预测值与各观测站点的能见度实况值的平均相关系数为0.75,平均均方误差为6.49。可见基于LightGBM的预测模型能有效提高能见度预测精度。     

基于商空间的非均匀粒度聚类分析

采用距离度量空间的手段讨论了商空间的模糊粒度聚类,结合信息融合技术用不同粒度合成聚类结果,认为聚类可以以非均匀粒度来描述样本集。据此提出了使用Gaussian型函数定义商空间的距离函数的模糊聚类算法(FCluster算法),算法用距离表示信息粒度,不需要定义隶属函数和求出相似矩阵,并且不需要讨论参数的选择。仿真实验说明了算法可以很直观地从不同粒度(距离)观察聚类结果,大大降低了计算复杂度和空间复杂度,适于处理大数据量的样本,并且Gaussian型函数定义的距离对试验样本可以达到很好的效果。     

一种级联过程神经网络动态预测模型及其应用

针对非线性动态系统分阶段指标预测问题,提出了一种基于级联过程神经元网络和相空间重构技术的动态预测模型和方法。考虑实际系统各个变量在运行过程中不同阶段可能具有不同的作用关系和信息变换机制,以及各阶段系统状态的连续性,采用若干过程神经元子网络构成级联结构建立系统动态预测模型;同时,为弥补实际采样数据的不足和提高数据信息的利用率,利用相空间重构理论构造训练样本集。给出了预测模型的信息处理机制和学习算法,以油田开发三次采油过程仿真为例,实验结果验证了模型和方法的有效性。     

Forecasting time series using a methodology based on autoregressive integrated moving average and genetic programming

The autoregressive integrated moving average (ARIMA), which is a conventional statistical method, is employed in many fields to construct models for forecasting time series. Although ARIMA can be adopted to obtain a highly accurate linear forecasting model, it cannot accurately forecast nonlinear time series. Artificial neural network (ANN) can be utilized to construct more accurate forecasting model than ARIMA for nonlinear time series, but explaining the meaning of the hidden layers of ANN is difficult and, moreover, it does not yield a mathematical equation. This study proposes a hybrid forecasting model for nonlinear time series by combining ARIMA with genetic programming (GP) to improve upon both the ANN and the ARIMA forecasting models. Finally, some real data sets are adopted to demonstrate the effectiveness of the proposed forecasting model.     

基于异常值检测的电梯交通流预测方法

提出一种基于异常值检测的电梯交通流递归预测方法。对电梯交通流进行时间序列分析得到初始季节时间序列模型,引入异常值检测过程,检测出训练数据中的异常值并进行修正,利用修正序列得到最终的季节时间序列模型。把最终的季节时间序列模型转化为状态空间形式,通过卡尔曼滤波实时调整状态向量,实现电梯交通流的在线预测。仿真结果证明该方法有效。     

基于多维时间序列挖掘的降雨天气模型研究

为研究降雨天气中降雨量和相关气象要素的关系,找出降雨前后相关气象要素的变化规律,提出了多维时间序列数据挖掘模型.该模型首先对气象要素时间序列进行维度选择预处理,剔除不相关及冗余维度,然后运用提出的极值斜率分段线性拟合法对时间序列进行分段、数据压缩及特征值提取,最后使用k-means聚类算法对处理后的多维序列进行符号化,利用规则提取得到降雨天气模型.实验结果表明了该模型具有较好的实用价值.