基于CEEMDAN-VMD-TCN-lightGBM模型的水质预测研究

针对目前水质预测模型中因为数据本身的复杂性、在信号处理过程中存在的噪声干扰以及分解深度不够导致单一分解难以全面捕捉信号非线性特征的问题,提出了一种基于二次分解的水质预测模型。该模型采用完全自适应噪声集合经验模态分解(CEEMDAN)对原始数据进行分解,再利用变分模态分解(VMD)对熵值最高的模态分量进行二次分解,最终将处理后的时间序列输入到TCN-lightGBM多特征预测模型中。同时,采用麻雀算法(SSA)对预测模型进行优化。以山东省玉符河水质为例,本模型的均方根误差(RMSE)是0.1053,平均绝对误差(MAE)是0.0815,决定系数(R2)是0.9471,与GRU、LSTM、LightGBM、TCN等当下较为流行的模型的预测指标进行比较。结果显示,在R2上本模型提升了53.04%、70.41%、66.07%、65.20%等,在RMSE上减少了62.76%、65.50%、64.93%、64.80%等,在MAE上降低了62.76%、66.24%、63.80%、65.24%等。由此可知,基于CEEMDAN-VMD-TCN-lightGBM的模型具有更好的预测性能、泛化能力和捕捉信号非线性特征的能力。

支持增量日志的业务流程剩余时间预测方法

流程预测性监控通过对业务流程及其属性的预测,预防运行中的实例未来可能会面临的风险,从而及时干预流程。流程剩余时间预测是避免业务超时风险的一项预测任务,然而业务执行是动态的过程,可能会随时间或业务规模的增长而发生变化。这就要求预测模型能够持续更新以捕捉这些变化,同时要有足够的输入信息来区分变化前后的差异,并且预测模型应具有充分的拟合与泛化能力。针对上述问题,本文提出支持增量日志的流程剩余时间预测框架。具体而言,提出特征自选取策略,构建多特征预测模型,丰富预测任务的已知信息,将所得特征组合作为模型输入,提高预测模型的拟合能力。然后,将定期和定量作为模型更新的判断依据,提出定期更新、定量更新和综合更新3种增量更新机制。最后,基于6个真实事件日志,实现了3种不同的预测模型,模拟了增量更新过程。实验结果验证了本文所提方法的有效性,提高了流程剩余时间预测的准确率。