基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

基于Prophet的校园停车数据分析及车位需求预测

随着校园规模的扩大和师生数量的增加,停车问题逐渐成为影响校园日常运行的重要问题。文章首先通过收集校园停车数据,对某校园停车数据进行了描述性统计分析、数据可视化以及关联分析。其次,使用Prophet模型对数据进行拟合和预测,以揭示停车需求的时空分布特征和变化规律。最后,基于预测结果,提出了优化校园停车管理的建议,旨在提高停车资源的使用效率,缓解停车难问题。文章的研究结果不仅可为校园停车管理提供理论支持,还为其他类似场景的停车需求预测提供参考。

基于Prophet-XGBoost组合模型的极端温度事件下负荷预测

气候变化对城市的影响日益加剧,频发的极端温度事件导致城市电力系统供需不平衡问题凸显,精确的需求侧电力负荷预测成为提升电力系统适应性从而支持城市功能稳定性的关键。本文开发了一种适用于极端温度事件下负荷预测的组合模型,结合时间序列模型Prophet和机器学习模型XGBoost,有效表征极端温度影响下的电力负荷波动趋势。实验结果表明,相比传统单一模型,组合模型显著提高了极端温度事件下的电力负荷预测精度,在增强城市电力系统对气候变化适应性方面具有较强的有效性,从而为电力调度等电力系统应急管理工作提供了更可靠的支持。

基于prophet模型预测中国布鲁氏菌病发病人数

目的建立一个适用于预测中国布鲁氏菌病发病人数的时间序列模型,为该病的预防与控制提供科学依据。方法利用2015年1月至2021年12月的发病人数数据,分别建立SARIMA模型和prophet模型。使用2022年1月至2023年4月的数据对这2个模型的预测效果进行验证,应用RMSE、MAPE和MAE 3项指标比较模型预测的结果。选用预测精度较高的prophet模型对2023年5月至2024年4月的发病人数进行预测。结果我国的布鲁氏菌病发病人数总体呈上升趋势,并于每年的6—7月达到顶峰,显示出明显的季节性趋势。相对于SARIMA模型,prophet模型的RMSE、MAPE和MAE值较低,表明prophet模型对于预测布鲁氏菌病发病人数具有更高的准确性。2023年发病高峰的预测峰值低于2021年和2022年的实际峰值。结论prophet模型可以较好地拟合全国布鲁氏菌病的月报告发病人数,可用于短期预测。

基于Prophet算法的义务教育阶段体育教师人数的预测与分析

义务教育阶段的体育教师人数比较短缺。要想解决这个问题,就必须先了解和分析现有体育教师配备情况。本文基于2003-2021年《中国教育统计年鉴》中的义务教育阶段在校学生数据、全体教师数据和体育教师数据,对义务教育阶段体育教师配备现状进行分析,通过Prophet对未来义务教育阶段体育教师人数进行预测,研究义务教育阶段教师人数未来发展趋势和对学校体育和教师个人的影响,为促进义务教育阶段体育教师师资团队高质量发展提供参考。Prophet模型研究结果:有超90%的把握预测到2027年我国小学体育教师人数将达到56万人,中学体育教师人数将达到30万人;到2031年,我国小学体育教师人数将达到65万人,中学体育教师人数将达到34万人。这些预测结果可为我国制定义务教育阶段的体育发展规划提供参考。结论:近十年还是要维护甚至加大目前的政策力度,加速教师团队的发展进程。十年之后体育师资队伍缺口较大的问题可以基本得到解决,如果继续使用当前鼓励政策,会导致体育教师队伍的进一步扩大,甚至浪费教育资源。建议:十年后把体育教师队伍的发展重心从量的提升转移到质的提升中去。

基于Prophet-GMM的大坝监测数据异常检测算法

大坝监测数据受环境等因素影响,往往存在异常数据,异常数据的检测对于大坝的正常运行起着不可或缺的作用,但是传统异常检测算法对于大坝监测数据往往达不到精度要求。提出了一种基于Prophet-GMM的异常检测算法,利用Prophet算法较好的拟合性能对大坝数据进行拟合,由拟合数据与实测数据求残差序列,再利用GMM算法对残差序列进行聚类,从而准确识别出异常值。结果表明:Prophet-GMM法对于不同类型的大坝监测数据都能准确识别出异常值,与传统检测算法相比,在查准率、查全率及准确率3个检测指标上,均有较为明显的提升。

基于Prophet-LSTM+P-Bshade融合模型的中国陆地MAIAC AOD补值研究

因受云层等气象条件干扰和卫星传感器性能影响,卫星获取的气溶胶光学厚度(aerosol optical depth,AOD)存在数据缺失的情况,为了提高AOD数据的覆盖度,利用AOD的时空相关性,提出Prophet-LSTM+P-Bshade融合模型,对2016年3月—2021年2月我国1 km×1 km分辨率的多角度大气校正算法(multiangle implementation of atmospheric correct, MAIAC) AOD数据进行时空补值,并与地面监测站点AERONET AOD进行对比验证。结果表明:提出的融合模型补值成果精度明显优于其他对比模型,验证精度指标R、MAE和RMSE分别为0.905、0.237和0.375。2016年3月—2021年2月中国陆地AOD值分布时间上季度性变化较明显,整体呈现冬季>春季>夏季>秋季的季节分布特征,空间上总体呈现东高西低和塔里木盆地局部较高的特点。

结合Prophet-CNN模型的多轨时序InSAR矿区三维形变监测预警

绝大多数矿区由于矿床的地质条件及特殊的采矿方式,推进开采容易引发矿区地质应力失衡,造成不同程度的变形破坏。为探究采矿活动下大红山矿区地表稳定性,本文通过对覆盖大红山矿区2021—2023年的三轨SAR影像进行联合解算矿区三维形变场,分析矿区形变特征;在此基础上,运用Prophet-CNN模型对形变时序进行训练,构建形变预测模型对矿区的三维形变趋势并进行预测;结果表明,矿区在开采活动的影响下地表持续发生形变,形变主要分布于硝水箐—南部废石场、露天采区及铜矿采区,最大垂直形变速率为-51.22 mm/a;采用Prophet-CNN组合模型对矿区地表三维形变进行时序预测,3个方向预测结果的RMSE与MAE分别在2.90和1.85 mm以下,充分证明了本文方法能够运用于矿区沉降趋势预测,为防灾减灾工作提供技术依据。

基于Prophet的民航商务旅客出行量预测研究

随着民航业竞争日益加剧,民航市场需求的细分和预测对于民航业的发展具有重要意义。而商务旅客作为民航客源重要组成部分,民航商务旅客出行量的准确预测,为民航业的科学规划、运营管理和收益管理等提供重要的决策依据。为探索一种准确率高、可解释性强的预测算法,对民航商务旅客出行量数据进行了可视化和分析,结合数据特点提出了基于Prophet模型的民航商务旅客出行量预测方法,并通过真实的民航商务旅客出行量数据进行实验和分析。实验结果表明,基于Prophet的模型与同类的ARIMA模型和LSTM模型相比,具有更高的预测精准度,同时具有更强的可解释性,证明了方法的有效性。

基于GWO-Prophet的商品销售预测研究

零售企业的各项经营活动都离不开商品的销售情况,对商品的销售预测为企业制定生产计划与经营决策等活动提供重要的依据。针对企业销售额预测中销售额时间序列受外界条件影响大,预测精度低等问题,论文提出了一种基于GWO-Prophet的商品销售预测方法。基于某零售企业2015年-2018年销售额数据,通过Prophet模型将高维的销售额数据分别构建对应趋势项、季节项、节假日项、残差项的低维时序特征分量,分别用这些低维特征分量进行拟合后通过加法模型累加来预测未来一年的销售额数据;通过灰狼寻优算法(GWO)对Prophet模型参数进行智能寻优,防止模型陷入局部最优从而提高模型的精确度,通过灰狼寻优算法优化后的Prophet模型能更好地拟合突变点,季节项,节假日项等外界因素对销售额的影响。以MAE、MAPE和RMSE作为模型评估的指标,结果表明,基于GWO-Prophet模型的预测精度不仅优于单一的Prophet模型,还优于其他如ARIMA、SARIMA、LSTM对比模型。

基于Prophet-LightGBM的PM2.5浓度预测模型

近年来,PM2.5污染问题日益突出,对人们的身体健康和环境质量造成了严重影响,建立准确的PM2.5浓度预测模型对于污染防治和空气质量管理具有重要意义。针对PM2.5时间序列的非线性、高噪声、不平稳特征提出一种将Prophet模型和LightGBM模型相结合的组合模型。为了验证模型的有效性,以兰州市PM2.5浓度数据为例,对比分析了Prophet-LightGBM模型和其他4种预测模型及其在不同季节下的预测效果。结果表明,Prophet-LightGBM模型相较于对比模型能够更准确地预测PM2.5浓度的变化趋势,RMSE值达6.557,MAE值达4.543,MAPE值达14.344%,在夏季和秋季的预测准确度和稳定性方面表现出更优异的性能,RMSE值最优时达3.155,MAE值达2.169,MAPE值达9.4%。

LSTM-Prophet混合模型在物料储备需求预测中的应用

建立LSTM⁃Prophet混合模型,预测A公司未来每日物料消耗量,为工段每日物料储备提供参考,数据集来源为A公司2015年来每日物料实际消耗量。实验结果显示,LSTM⁃Prophet混合模型预测时序数据的MAE值为40.905,MAPE值为0.044,R2值为0.863,三个评价指标都优于LSTM模型、Prophet模型、ARIMA模型三个单一模型的评价指标值。验证了LSTM⁃Prophet混合模型有着更好的预测精度,可以更好地应用于工业场景。

预测动车组牵引系统故障率的TSOBP-ARIMA-Prophet组合模型

针对单一模型预测故障率时的适用性差异问题,在考虑动车组牵引系统故障率数据特点的基础上,提出TSOBP-ARIMA-Prophet组合模型。首先,针对动车组牵引系统故障率的复杂非线性,引入金枪鱼群算法(TSO)优化BP模型,训练出TSOBP预测模型;其次,针对故障率的非平稳波动性,选取ARIMA预测模型;然后,针对故障率的季节周期性,选取Prophet预测模型;最后,运用方差倒数法对3个模型的预测结果赋权,得到TSOBP-ARIMA-Prophet组合模型的预测结果。以某动车组牵引系统为例,采用该组合模型预测故障率,并与3个单一模型及TSOBP-ARIMA组合模型对比验证其预测能力。结果表明:该组合模型预测时均方误差为0.0752,较TSOBP,ARIMA和Prophet模型单独预测时分别降低了45.83%,61.65%和53.42%,预测精度显著提高,且较TSOBP-ARIMA组合模型对数据趋势的感知力更优,可有效提升对动车组牵引系统故障率的预测能力。

基于Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。

基于Prophet-DCC-GARCH组合模型的国债与股票投资组合VaR估计

随着经济社会的发展,经济周期波动、市场不确定性加剧,风险值(VaR)的预测迫在眉睫。文章采用风险型的科技股票比亚迪和稳健型的国债的收盘数据,以DCC-GARCH模型为基础,引入Prophet模型,更改DCC-GARCH模型的均值项,考虑节假日、特殊事件和年周期性、周周期性,构建了Prophet-DCC-GARCH组合模型。该组合模型的预测误差(RMSE)为:比亚迪3.044 959×10^(-4),国债7.760 821×10^(-6)。采用计量经济学方法计算VaR,在置信度为0.95%时,2个头寸的联合风险值为:DCC-GARCH模型0.038 8,Prophet-DCC-GARCH组合模型0.037 0。组合模型中,Prophet模型提取了潜在风险影响因素,所以风险值明显要小。在对多个头寸的风险值进行预测时,考虑其中潜在的影响因素,可以更好地提供VaR预测值,进而为投资者提供更可靠的建议。

基于IPCC一阶衰减法和Prophet模型的中国竹制品碳储量评估及潜力预测

【目的】竹子生长速度快,收获周期短,所以竹制品具有一定的固碳优势,但鲜有相关其固碳能力的研究,因此亟须评估竹制品碳储量以探究其未来的固碳潜力。【方法】根据历年(1961—2018年)竹材产量,应用IPCC一阶衰减法和生命周期分析(LCA)法,计算相应的碳储量,进一步将竹制品碳储量分为在用与废弃2个环节,并结合应用Prophet时间序列模型预测今后至2060年的竹材产量,以评估竹材制品在双碳目标进程中的贡献。同时,计算比较我国竹材产量前5省份在1992—2018年间的累计竹制品碳储量。【结果】我国竹制品是一个碳储量不断增加的重要碳库。1)我国在用竹制品当年碳储量自1961年的1.45 Tg CO_(2)-eq增长到2018年的53.91 Tg CO_(2)-eq,1961—2018年间在用竹制品碳储量累计为479.23 Tg CO_(2)-eq;2018年我国废弃竹制品当年碳储量为14.41 Tg CO_(2)-eq,1961—2018年间累计为188.47 Tg CO_(2)-eq。二者相加得到我国竹制品碳储量在2018年为68.32 Tg CO_(2)-eq,1961—2018年碳储量累计为667.70 Tg CO_(2)-eq。2)根据Prophet模型预测,2030年我国竹制品当年碳储量为82.75 Tg CO_(2)-eq,2060年为133.27 Tg CO_(2)-eq,我国竹制品碳储量累计值在1961—2030年为1546.48 Tg CO_(2)-eq,至2060年累计为5434.98 Tg CO_(2)-eq。3)1992—2018年竹材累计产量前5的省份是福建、广西、浙江、云南、广东,将其竹材累计产量转化为竹制品累计碳储量分别为162.28、108.20、70.51、66.18、52.31 Tg CO_(2)-eq。【结论】竹材制品具有较强的固碳能力与巨大的固碳潜力,我国竹制品在木质林产品固碳中占有重要地位。本研究结果为推动竹林相关碳汇纳入国际认可的林业碳汇核算体系奠定了重要基础,利于发挥我国竹资源优势,加强竹林生态系统保护与利用。

基于WPA-Prophet模型的区域用电量预测

为了获得精度更高的用电量预测模型,采用狼群算法对Prophet模型的关键参数进行寻优,构建基于WPA优化Prophet的用电量预测模型。实验数据为澳大利亚维多利亚州2015—2019年五年的日用电量,使用前四年作为测试集,最后一年验证预测结果的准确性,预测结果的评价指标采用均方根误差和平均绝对百分比误差。实验结果表明,通过WPA优化后的Prophet模型预测精度得到了有效提升,为提升区域用电量预测精度提供了参考。

基于Prophet-LSTM模型的柑橘价格预测研究

鉴于柑橘价格的波动对市场和农民收益具有显著影响,因而对柑橘价格预测的研究不仅必要,且具有重要的意义。为准确预测柑橘价格,根据全国农产品商务信息公共服务平台2018年1月1日至2022年9月24日的芦柑数据,分别使用Prophet模型、LSTM模型、Prophet-LSTM相结合的模型对柑橘价格进行建模和预测。研究结果显示Prophet-LSTM模型的MAE和MAPE最低,表明Prophet-LSTM模型预测效果最佳、更具稳定性,适合于柑橘价格的预测。

Prophet-X-12-ARIMA组合模型及交通运输量预测

由于受到经济社会因素的影响,交通运输量数据具有趋势多变及季节性明显的复杂特征。现有的预测模型,如X-12-ARIMA模型、ARIMA模型和Prophet模型等的预测准确性有待改进。文章构建Prophet-X-12-ARIMA组合模型,综合了Prophet模型灵活拟合趋势成分的优势以及X-12-ARIMA模型能准确分解出季节成分的优点。采用该模型预测某城市的七种交通运输量序列,结果显示Prophet-X-12-ARIMA组合模型的半年度和年度预测效果明显优于Prophet模型、X-12-ARIMA模型及ARIMA模型。进一步研究发现,当原始序列趋势变化剧烈时,Prophet-X-12-ARIMA组合模型的预测效果更优。