基于CEEMDAN-SE-ARIMA组合模型的东北夏季降水预测

针对传统时间序列模型无法有效预测模态混叠数据的不足,本文提出了一种基于CEEMDAN-SE-ARIMA的组合模型,并且对东北地区2016—2020年夏季降水量进行了实证分析。首先,基于完全自适应集合经验模态分解方法,将降水时间序列分解为多个本征模态分量,并根据不同分量样本熵的计算结果进行分量序列重构。然后,针对每一个重构分量,构建自回归移动平均预测模型。最后,将各分量的预测值进行叠加,得到组合模型的预测值。此外,还构建了ARIMA单一模型和其他组合模型,旨在与CEEMDAN-SE-ARIMA组合模型对比。结果表明:CEEMDAN-SE-ARIMA组合模型考虑了时间序列的模态混叠特征,能有效提高东北地区夏季降水时序模型的预测能力,具有良好的预测应用价值。预测结果较单一模型和其他组合模型均有所提高,MASE降低了0.02~0.91 mm,RMSE降低了0.80~130.49 mm,MAE降低了2.52~129.84 mm,MAPE降低了1.08~35.53 mm。CEEMDAN-SE-ARIMA模型在降水变率较小的西北部区域预测效果更好,对东南部区域的极值分布中心预测较为准确。

基于机器学习的室内UWB三维定位

随着无线通信网络的高速发展,对无线定位技术的要求越来越高。UWB是一种较为优秀的定位技术,但其容易受信号干扰,导致其在商场、酒店等室内场合的定位效果不够理想,故解决信号干扰下的UWB精确定位问题获得极大关注。本文使用的实验数据包含UWB定位的“无干扰数据”和“有干扰数据”。首先进行数据清洗,第一步根据箱线图找出数据中的异常值并剔除,第二步将数据进行K-means聚类,完成相同或相似数据的删除。然后对清洗后保留下的“无干扰数据”和“有干扰数据”使用遗传算法优化的BP神经网络算法(GA-BP)估计Tag的三维坐标,发现在GA-BP神经网络算法下,根据“无干扰数据”和“有干扰数据”得到的三维坐标的均方误差都非常接近于0,说明该模型预测精度较高。同时,根据GA-BP神经网络算法对10组测试数据进行精确定位,并建立XGBoost提升算法、支持向量机(SVM)和随机森林、KNN算法四种方法对数据是否在信号干扰下采集进行分类。通过比较四个模型的分类准确率和F-score,确定最终分类模型为经过参数优化的XGBoost算法。