基于时间序列的结构应力监测信号预测方法

为保障FAST大型射电望远镜安全工作,使用传感器对其关键点应力信息进行监测与评估,对应力信号进行预测,有助于故障的早期预警与处理,提高安全性能.基于物理模型和人工智能模型预测的方法,往往需要结构详细特性信息,或相关荷载信号作为输入,建模过程较为复杂.本研究使用时间序列分析法,基于ARIMA模型对FAST光纤Bragg光...     

基于ARIMA模型的包头市全社会用电量短期预测

通过分析包头市2017—2021年全社会用电量月度数据,运用时间序列的分析方法建立合适的模型,从而达到对包头市未来用电量短期预测的目的.模型预测结果显示：包头市全社会用电量服从ARIMA(2,(1,12),0)模型,利用ARIMA(2,(1,12),0)模型预测包头市未来的短期用电量切实可行,能更好地为电力行业制定短期电力政策提供有力的参考.     

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.     

基于神经网络的股票交易数据的预测研究

运用前馈神经网络预测时间序列的分析方法对股票数据进行了预测．通过对前馈神经网络时间序列数据预测网络模型的建立方法及预测方法讨论，基于BP网络对股票数据进行实际预测．预测精度明显高于传统方法，说明此种方法是可行的．BP网络可用于股票数据预测，其预测精度较高，但实际预测时，如何选择和确定一个合适的神经网络结构需进行反复实验．     

基于交互差分时空LSTM的网格化臭氧浓度预测

臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型（ST-IDN）来挖掘臭氧浓度历史数据的时间相关性和空间相关性,并成功将其应用到网格化臭氧浓度数据预测上。在该模型中,首先交互模块（IC）可以通过一系列的卷积操作来捕捉短期上下文信息,其次层融合模块（LF）可以融合不同层的空间信息来获得上一时刻丰富的空间信息,最后差分时空LSTM模块（DSTM）将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络（ConvLSTM）、预测循环神经网络（PredRNN）以及Memory in Memory网络（MIM）模型在河北省气象局提供的臭氧浓度数据上进行了对比分析,ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明,所提出的模型能够提高臭氧浓度的预测精度。     

ARIMA模型在房屋售价中的预测

时间序列分析方法是经济金融领域中的主要工具之一,通过描述历史数据对新值进行预测。文章运用ARIMA模型来实现对房屋平均售价的短期预测。对原始数据进行差分和季节差分,运用Eviews软件进行分析计算。结果显示预测值和真实值接近,在实际生活中提供可靠依据。     

基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数,建立了基于ARIMA的物价指数预测模型。实验结果表明,该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内,因此该模型拟合效果较好,预测值接近实际值。最后,应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

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。     

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。     

模型预测技术在桥梁健康监测中的应用

针对钱江四桥实时健康监测系统的监测数据,采用AR模型、ARMA模型以及灰色系统的GM(1,1)等随机模型,进行数学建模,并对各模型进行了不同步长的预测研究. 结果表明,当采用合适的数学模型参数后,预测和实际监测结果十分吻合.各个模型进行比较后发现,灰色模型只需要少量原始信息,而且它的短步长预测效果优于时间序列模型;灰色模型和时间序列模型的预测误差都会随预测步长的加大而增大．     

基于 XGBoost和 LSTM 模型的高校招生网站流量预测研究

为协助高校做好招生宣传工作 ,提出了基于机器学习的高校招生网站流量预测方法 装 首先 ,对 网络日志进行预处理 ,生成不同时隙的数据集；接着 ,通过 XGBoost 模型的训练比较 ,筛选得出最佳 实验数据集；然后 ,鉴于数据的非线性和趋势不一等特点 ,分别使用参数优化后的 XGBoost 和 LSTM 模型进行数据训练 ,并根据训练误差值计算权重系数；最后 ,应用 XGB- LSTM加权组合预测模型进 行数据预测 装 实验结果表明 ,该组合模型预测结果的平均误差分别比 XGBoost 和 LSTM模型提高了 80 . 28%和3 . 42% ,具有良好的预测能力。     

基于ARIMA时间序列的广州空气质量分析

本文选取广州11个空气质量观测点2013年4月10日至2013年11月1日的空气观测数据,利用ARIMA时间序列的方法对其进行研究和分析。在此基础上,根据实际报道的情况验证了结果具有较广泛的适用性,对空气质量进行相应的解读。     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

用结构相似序列改进预测序列

用分段抽样方法进行需求预测,得到预测序列x_(λt0),x_(λt1),…,x_(λt??)λ=1,2,…,n.如何对这些序列加以改进,使其既保持序列的一些已定结构,又满足宏观约束条件:x_(λik)关于λ的总和不大于预先给定的常数A.本文给出一个简单的方法.     

结构健康监测中的数据融合技术

目的为了充分利用大型结构健康监测系统中来自不同时间与空间的多传感器信息资源，获得被测对象的一致性决策和估计任务。进而提高确诊率．方法从多传感器数据融合的概念、基本原理出发，探讨了数据融合技术在结构健康监测与诊断中应用的可行性，重点研究了基于人工智能的数据融合技术在结构健康监测及诊断中的应用方法．结果提出了小波概率神经网络数据融合损伤检测技术及其在结构损伤检测中的应用．结论基于多传感器数据融合的健康监测与诊断是可行的、有效的．     

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标影响差异问题,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。进一步地,针对不同序列长度对预测效果影响差异问题,本文还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的LSTM水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、S-LSTM和VA-LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制LSTM网络在面临复杂、大规模、噪点多的数据时有优于其它几种算法的预测效果,表明该算法的强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。     

基于支持向量回归与LSTM的城市PM2.5预测

针对城市 PM_2.5变化的非线性、时序性等特征,提出一种基于支持向量回归 (SVR) 与长短期记忆(LSTM) 相结合的预测模型。采用 Morlet 小波核函数作为支持向量回归的核函数,并通过改进粒子群算法对其进行参数优化,用 SVR 算法拟合城市 PM_2.5值的非线性变化规律进而实现城市 PM_2.5值的预测;用 LSTM方法预测包含时间序列的城市 PM_2.5值;将 SVR 与 LSTM 的预测结果进行非线性叠加得到较优的预测结果。使用某城市三处监测点真实数据集进行实验,结果表明提出的方法较 ARMA 时间序列、传统 SVR 以及单一的 LSTM 等均具有更高的准确度,是一种有效的城市 PM_2.5预测模型。     

基于改进的LSTM算法的时间序列流量预测

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.