基于NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

地铁车站客流预测方法比较研究

为了更加合理地进行地铁车辆调度和制定人员配置方案,并在满足人们出行需求的基础上实现资源利用最大化,对地铁客流量进行准确地短时预测是非常必要的,同时客流预测对地铁站厅空调系统的运行调节也具有重要作用。文章通过对郑州某地铁车站2014年6—7月的进站小时客流量数据进行统计分析,构建季节性差分自回归滑动平均(SARIMA)模型、非线性自回归神经网络(NAR)模型和长短期记忆网络(LSTM)模型,用统计数据进行模型训练并实施预测。通过在工作日客流预测中,发现LSTM模型在MAE、RMSE和R2上均优于其他模型,拟合系数R2达到0.9814,MAE为55.84,均方根误差为88.56;在非工作日客流预测中,LSTM模型同样表现出最好的效果,R2达到0.9817;SARIMA模型精度接近LSTM模型。这说明在对具有明显周期性数据预测时,无论是经典的时间序列方法还是先进的深度学习方法预测结果都很好,传统的神经网络因为无法捕捉周期性所以预测效果较差,预测精度相对较低。

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition,EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.

基于NARX模型的参考作物蒸散发预测

为了实现气象资料缺失情况下参考作物蒸散量(ET0)精确计算和预测,以攀枝花站点为例,构建非线性自回归滤波器(NARX)模型预测ET0.以Penman-Monteith模型计算的ET0作为预测标准,将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数,建立11种不同气象因子组合的NARX模型,并与Hargreaves-Samani模型、Irmak-Allen模型、Makkink模型、Priestley-Taylor模型的计算结果进行比较.结果表明:不同气象因子输入下的NARX模型模拟精度表现出明显的差异.其中,基于全部气象因子的NARX-1模型的RMSE,MAE和MBE分别为0.425 mm/d,0.320 mm/d和0.069 mm/d,NSE为0.920,GPI排名第11,精度最差;而基于风速的NARX-9模型精度最高,其RMSE,MAE和MBE分别为0.285 mm/d,0.237 mm/d和0.019 mm/d,NSE为0.964,GPI排名第1.在输入相同气象参数情况下,基于温度和日照时数的NARX-4模型模拟精度优于Irmak-Allen,Makkink,Priestley-Taylor模型;基于温度的NARX-7模型模拟精度明显高于Hargreaves-Samani模型.因此,可将NARX模型作为四川西南山地缺失较多气象资料情况下计算ET0的推荐模型,为农田精准灌溉提供科学依据.

CEEMDAN分解下基于NAR神经网络的比特币价格预测

为了帮助投资者更好地对比特币未来走势进行判断,利用CEEMDAN分解方法对比特币价格进行分解,并用NAR神经网络模型和ARIMA模型进行预测,同时与直接使用两个模型的预测效果进行比较。结果发现,在中长期上通过CEENDAN进行分解后预测精度更高,但运用在短期上会使精度降低,同时与ARI-MA模型相比,NAR神经网络模型的预测精度更高。

基于太白山南坡巴山冷杉NPP动态变化的时间序列模型预测效果对比

基于收集整理的太白山地区1959-2016年58年间的气象数据及太白山巴山冷杉林(Abies fargesii Franch.forest)的生理参数数据,运用Biome-BGC模型模拟计算并对输出数据进行提取分析,得到太白山南坡巴山冷杉林的多年净初级生产力(NPP)。然后分别利用自回归求和移动平均模型(ARIMA)、R语言、NAR动态神经网络模型对太白山南坡巴山冷杉林NPP的动态变化进行趋势拟合和短期预测,建立适用于太白山南坡巴山冷杉林NPP的时间序列模型,并应用白噪声检验等相关检验方法对3种模型的预测效果进行评价。结果显示:太白山南坡巴山冷杉林NPP在短期内(2017-2026年)仍保持着波动上升的趋势,可能出现1959年以来的最高值;在对巴山冷杉林未来变化的预测过程中,3种预测模型各有特点,ARIMA模型对太白山南坡巴山冷杉林NPP的预测结果通过了白噪声检验,并给出了在不同置信区间下的可能结果;NAR动态神经网络模型的拟合效果较好,也通过了误差自相关性检验,预测结果较好地模拟了太白山南坡巴山冷杉林NPP在未来一段时期内的变化趋势;R语言在剔除异常数据点后能够运用基础数据较好地对太白山南坡巴山冷杉林NPP动态变化进行模拟,表明预测结果与验证结果相关性达到0.944,误差项的P值远低于0.01。本研究表明3种方法构建的模型在数据拟合中均呈现出较好的效果,预测结果均在可信范围内,在实际预测工作中可根据数据特点选用不同方法。

自由式滑雪空中技巧赛道风速风向超短期预测与分析

旨在实现对赛道上风速风向的超短期预测,为自由式滑雪空中技巧提供实用有效的风速风向预报信息,为运动员稳定性控制与技术训练提供辅助支持。针对赛道风具有非平稳、波动剧烈的特点,采用离散小波变换提取风速风向序列的特征分量,对低频近似分量建立非线性自回归(NAR)神经网络模型,高频细节分量建立差分自回归移动平均(ARIMA)模型,再将各分量结果组合相加得到最终预测结果。误差分析表明组合模型能有效改善单一模型的预测滞后性,预测精度高同时具备预测风速风向突变的能力。对预测结果进一步分析,将其转换为表征赛道风稳定性的指标,来为运动员提供更直观的预报信息。最后对模型计算用时分析表明该方法能够满足实际应用的需求。

基于组合预测模型的萧山碳排放预测

根据萧山1997—2017年碳排放数据和"十四五"规划指标,基于ARIMA时间序列模型、NAR神经网络、STIRPAT模型分别预测2025年萧山碳排放量.运用最优加权组合模型,截取模型2007—2016年的拟合数据,将3种模型进行组合预测.结果显示,组合之后各项评价指标均表明相对单一模型更好,组合预测模型的拟合优度为0.83,相对平均绝对误差为3.14%、均方根误差为0.5643,组合模型有更高的精度.组合模型预测2025年萧山的碳排放量将达到2454.98万t,碳排放强度下降至0.817 t/万元.

基于大数据的餐馆外卖行业原材料置办及管理方法

文章针对如何为餐馆合理地规划食材采购量以及如何比较影响食材采购量各因素之间的重要性展开研究。罗列出5个可能影响食材采购量的因素:快餐店优惠活动力度、该区域内人群活动密度、顾客评分、食材购置成本、订单数。利用主成分分析法消除关联性后利用多元线性回归模型拟合出食材采购量与新的主成分之间的定量关系,并使用NAR神经网络模型对未来一段时间内订单量的数值进行预测进而得出最合理的食材采购量。最后结合实际情况,给出了食材采购管理以及食材库房管理的具体方法步骤和注意事项。