基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

SARIMA-GRU组合模型的水位预测

相较于传统的单一模型,组合模型在一定条件下具有更优的预测精度。为验证组合模型是否有利于提高模型的预测精度,本文以长江中游支流澧水石龟山水电站的水位数据为基础,建立SARIMA模型和GRU神经网络模型,并将这两种模型基于方差倒数法和IOWA算子进行组合,最后比较单一模型和组合模型在该水位数据集上的预测精度差异。结果表明,适当的组合方式有利于提高模型预测精度,基于IOWA算子的组合模型具优良的预测性能。

基于SARIMA-LSTM组合模型的河南省快递业务量预测

基于时间序列理论建立SARIMA和SARIMA-LSTM组合模型,以求对河南省快递业务量发展趋势的精准预测。由于传统的时序模型在快递业务量预测中很难捕捉到数据序列中的非线性特征,因此研究提出了一种季节性差分回归移动平均模型(SARIMA)与长短期记忆网络(LSTM)相结合的组合预测模型。通过对这2种模型的预测结果进行对比分析,发现SARIMA-LSTM组合模型在对快递业务量变动趋势的预测上具有更高的准确性。

基于SARIMA-SVR模型的铁路货运量预测方法

鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。

基于季节性自回归积分滑动平均模型(SARIMA)的埋深特征预测

本文采用某地下水站2019-01-01-2021-07-12内每日的地下水埋深数据,通过SARIMA模型预测未来地下水埋深的数值,并使用2021-08-25-09-27的实测数据进行模型结果验证,最后分析地下水埋深特征。此模型能为已有历史水文资料但数据缺失的区域提供生成高精准预测值的方法,同时为流域水资源管理、水利规划提供依据。

基于SARIMA模型的黄河水沙通量规律的研究分析

为了研究黄河水沙通量的变化规律对黄河流域的影响,保障黄河流域可持续发展,本文选用统计学分析方法和时间序列模型相结合,综合利用MATLAB、SPSS和Python等软件分析黄河水的变化规律,并制订出未来两年最优的采样监测方案。本文所用案例为2023年全国大学生数学建模竞赛E题-黄河水沙监测数据分析的题目进行研究分析,所得结果与实际查阅资料结果非常吻合。

基于时序分解和SARIMA⁃DSR的台区可开放容量计算方法

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在计算准确率和普适性低的问题。因此,提出一种基于局部加权周期趋势分解算法(STL)和季节性自回归滑动平均模型(SARIMA)与动态同时率(DSR)的台区可开放容量计算方法。该方法首先利用STL将历史台区负荷数据分解为趋势项、季节项和余项;其次,根据调整的历史台区负荷数据建立SARIMA台区负荷预测模型,预测未来台区负荷的变化及负荷峰值;同时,根据台区历史负荷数据建立台区DSR准则;最后,构建SARIMA‐DSR模型,合理调整可开放容量计算方法中的配置系数,实现台区的可开放容量的准确计算。

基于SARIMA模型的五道沟地区0~320 cm土层季尺度地温预测研究

【目的】探讨五道沟地区地温季尺度变化趋势和突变特征,建立SARIMA地温预测模型。【方法】基于五道沟水文实验站1964—2022年长系列实测地温资料,采用线性回归、Sen’s斜率估计、MK检验等方法,开展0~320cm土层地温季尺度变化趋势和突变特征研究,建立不同土层深度(0~320cm)地温SARIMA预测模型。【结果】(1)春季、冬季0~160 cm土层地温呈显著上升趋势;夏季除0、10 cm土层外其他土层地温均有显著下降趋势;秋季0、20 cm土层地温具有显著上升趋势;320 cm土层地温在冬季具有显著下降趋势。(2)春季0、10、20、40、160 cm土层地温分别在2006、2013、2012、2015、2018年发生突变,突变后增温趋势显著;320 cm土层地温在1984年前后开始显著降低。(3)地温数据的预测值与实测值拟合优度均>0.95,不同土层地温预测模型均有较好的预测能力,且随土层深度增加预测精度提高,MAE随土层深度增加由1.666下降至0.390,RMSE随土层深度增加由2.139下降至0.525。【结论】SARIMA模型精度较高,可用于淮北平原地区地温模拟预测。

基于SARIMA-BP组合模型的家具订单需求量预测方法研究

对定制家具的生产需求进行精准预测,有助于家具企业进行有效的决策,包括提前制定生产计划、提前规划生产资源等,以期合理分配现有的生产资源并根据预测结果合理储备资源。本文以A企业家具的产品订单需求量为研究对象,分析其需求影响因素,在建立SARIMA模型及BP神经网络预测模型的基础上,建立SARIMABP组合算法的需求预测模型,并选用实际数据,验证所构建的需求预测模型的有效性,结果表明本文提出的预测模型与方法对企业精准预测订单需求量具有较大的应用价值。

2011-2020年乌鲁木齐市手足口病流行病学特征分析及SARIMA预测模型构建

目的分析2011-2020年乌鲁木齐市手足口病(HFMD)流行病学特征,构建SARIMA模型预测发病趋势,为完善防控举措提供依据。方法对2011-2020年乌鲁木齐市HFMD病例数据进行描述性流行病学特征分析,建立SARIMA模型。结果乌鲁木齐市2011-2020年HFMD年均发病率为68.60/10万,重症32例,死亡4例;2011-2019年呈隔年高发趋势,2018年发病率为近10年最高(105.69/10万),季节性明显,呈双峰流行。HFMD年均发病率最高的区县为经开区(头区),达到107.35/10万。男性年均发病率为80.55/10万,女性为56.12/10万,男女比为1.50∶1.00,2011-2019年男性发病率高于女性,差异有统计学意义(P<0.05),2020年男女发病率比较,差异无统计学意义(P>0.05)。发病最小年龄为1 d,最大为67岁,5岁以下儿童病例数占比最高(85.82%);主要为托幼和散居儿童。2011-2020年共检测HFMD标本7778份,阳性率为81.15%,以其他肠道病毒占比最高(46.28%)。SARIMA(1,0,0)(0,1,1)12模型为最优模型。结论乌鲁木齐市HFMD有周期性、季节性、性别、年龄差异,应持续做好监测,加强重点人群防控工作;SARIMA(1,0,0)(0,1,1)12模型拟合较好,与实际发病情况趋势一致,可用于预测乌鲁木齐市HFMD未来发病情况,对指导乌鲁木齐市HFMD防控存在一定理论价值;关注病原分布和变化情况,完善实验室病毒分型。

基于SARIMA-LSTM组合模型的油气集输系统能耗预测

油气集输是油田开发生产过程的重要阶段,准确预测油气集输系统能耗能够为生产调度和能源管控提供支持。为提高油气集输系统能耗预测的准确性,针对其线性和非线性特征,综合考虑数理统计和机器学习预测方法的优缺点,提出一种基于季节性差分自回归积分滑动平均(SARIMA)和长短期记忆(LSTM)神经网络的组合预测模型。根据S油田M环状掺水油气集输系统6年的运行数据,设计组合模型的网络结构,训练组合模型的网络参数。研究结果表明:与传统的SARIMA模型和LSTM神经网络相比,组合模型对三个能耗指标的预测准确性显著提高,可为企业调整生产运行方案和优化能源管控方案提供指导和数据支持。

基于SARIMA-LSTM模型的肾综合征出血热发病率预测研究

目的/意义探究前沿技术在肾综合征出血热发病率预测中的应用,梳理、组合多种时序分析方法,评价并筛选最佳模型。方法/过程利用2004—2020年全国肾综合征出血热发病率数据,基于统计学方法的SARIMA、STL-ARIMA、TBATS模型,基于神经网络的NNAR、LSTM模型,基于3种加权方式的SARIMA-LSTM组合模型进行预测,运用RMSE、MAE、MAPE综合评价模型效果。结果/结论SARIMA、LSTM在单一模型中较优;SARIMA-LSTM组合模型效果相较单一模型均有提升;基于误差倒数法的SARIMA-LSTM组合模型为最优模型。本研究有望为肾综合征出血热发病预警系统模型设计提供技术支持与参考。

山西省百日咳发病的SARIMA模型预测

目的 建立季节性自回归移动平均模型(seasonal auto-regressive integrated moving average, SARIMA),并探讨其对山西省百日咳发病的预测效果。方法 用R 4.1.3软件对2010—2019年山西省百日咳月报告发病率进行SARIMA模型构建与拟合,用所拟合的最优模型对2020—2022年山西省百日咳月发病率进行预测并与实际值比较,分析该模型的预测效果。结果 2010—2021年山西省共报告百日咳病例1956例,年平均发病率为46.50/1000万。发病率总体上呈现上升趋势,2021年时达到峰值140.67/1000万,2010—2019年百日咳报告发病主要集中在夏秋两季,2020年百日咳报告发病集中于上半年,2021年集中于下半年。2020年发病率与2019年相比减少了72.98%。SARIMA(5,2,2)(0,1,2)12模型对于短期百日咳疫情有较好的预测性能。结论 SARIMA(5,2,2)(0,1,2)12模型对于山西省短期百日咳发病有较好的预测性能,对于指导百日咳疫情防控有一定积极意义。

Holt-Winters模型与SARIMA模型对手足口病月发病率预测效果的比较

手足口病(hand,foot and mouth disease,HFMD)是由肠道病毒感染引起的儿童常见传染病,以发热、手足臀部或者口腔疱疹为主要症状,多发于5岁以下儿童,严重时可导致患儿死亡[1-2]。2008年3月,我国把HFMD列为丙类传染病进行管理[3],近年仍是威胁儿童健康的重要公共卫生问题之一[4]。

基于SARIMA-LSTM的区域用电消耗预测研究

针对季节性、节假日因素对区域用电消耗的影响,并为更好地管理和规划特定区域的电力供应提供有价值的见解。提出了一种混合模型,结合SARIMA和LSTM来预测区域用电消耗。提出的SARIMA-LSTM模型旨在捕捉电力消耗数据中的时间依赖性和季节性模式。利用历史用电数据,并采用SARIMA来捕捉线性依赖性,同时采用LSTM来捕捉非线性和长期依赖性,将两个方法的结果进行叠加,该混合模型使用特定区域的用电数据进行训练和评估。分别与SARIMA和LSTM单一模型相比,结果表明,SARIMA-LSTM模型在准确预测区域用电消耗方面优于单一的SARIMA和LSTM模型。

基于SARIMA-RF组合模型的西安中欧班列预测及发展对策

为提升西安中欧班列开行车数预测精度和泛化能力,综合考虑西安中欧班列时间序列数据的线性和非线性特征,提出基于SARIMA-RF组合模型的班列开行车数预测方法。首先使用季节性自回归移动平均模型(SARIMA)预测开行车数,其次利用随机森林(RF)模型校正残差,构建组合模型,最后将组合模型与ARIMA、SARIMA、RF、XGBoost进行对比。使用2014-2023年西安中欧班列月度开行数据实验,预测2024年开行车数为24.40万车,2025年为26.71万车,对比结果表明:组合模型的M_(SE)、R_(MSE)、M_(AE)、M_(APE)分别为0.0037、0.0610、0.0530、3.41%,比其他模型精度更高。

基于SARIMA-LSTM模型的季度GDP预测

国内生产总值作为国民经济核算的核心指标,被广泛用于衡量一个国家或地区的经济状况和发展水平。准确预测国内生产总值能够为政府提供决策及宏观调控的可靠依据。本文选取国家季度生产总值作为分析对象,以非线性组合的方式构造基于残差修正的SARIMA-LSTM组合模型,结合SARIMA的线性拟合能力和LSTM的非线性映射能力,并引入相关经济指标修正预测结果,通过与多个基准模型进行比较,验证本文提出的组合模型在预测能力上的优势。研究发现,本文提出的组合模型在长期和短期预测方面都表现出色,能够更准确地捕捉GDP序列的非线性变化和不确定性,同时,具有更强的泛化能力。

基于SARIMA-Bi-LSTM模型的水利设施安全状态预测

为提升水利设施安全状态预测水平,考虑到单一监测指标无法体现对水利设施的影响,提出一种基于SARIMA-Bi-LSTM模型的水利设施安全状态预测方法。以某水电站引水涵洞为研究对象,采用SARIMA模型预测裂缝开合度时间序列数据的线性分量,将温度数据、裂缝开合度残差数据传入Bi-LSTM模型进行残差数据预测,最后将SARIMA模型和Bi-LSTM模型预测结果进行叠加。结果表明,对比BP神经网络模型、SARIMA模型和SARIMA-LSTM模型,所构模型预测性能最好,能满足实际需要,为类似水利设施安全状态预测提供了一种新思路。

基于DE-SARIMA方法的机组产出量预测

获得高精度机组产出量预测是维持钢铁企业库存量合理稳定的前提。受生产环境复杂多变和市场需求不确定性的影响,机组产出量表现出一定波动。为此,提出基于差分进化——季节性自回归整合移动平均(DE-SARIMA)的机组产出量预测方法。为提高预测精度,设计带有分段迭代自适应变异策略和DBSCAN选择策略的DE算法对SARIMA模型的参数进行寻优。采用实际生产数据进行测试,验证了所提方法的有效性。

基于SARIMA-ARCH的电量预测模型

电量预测是供电单位购电的重要依据,是电力经济稳定运行的根本基础。提出采用SARIMA-ARCH融合模型对某地区售电量进行预测。首先,采用季节时间序列分析方法(SARIMA)对月度电量时间序列进行建模,通过ACF和PACF图筛选确定出最佳模型阶数,得到季节性时间序列模型(SARIMA)基础预测模型;提取模型残差的波动性,建立自回归条件异方差(ARCH)模型;最后,将SARIMA-ARCH模型与常规SRIAM和ARIMA的预测值进行对比分析。结果表明,SARIMAARCH混合模型的预测精度较高。