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-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-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。

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%。

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。

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。

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。

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system,GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition,EMD)的“降噪-分解-预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明:降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。

基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络(Long Short-Term Memory,LSTM)和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型(LSTM模型、NeuralProphet模型、BP神经网络模型)相比,LSTM-NeuralProphet模型的平均绝对误差在四季24 h时间分辨率的数据集上降低了0.18%~1.96%,在夏季15 min时间分辨率的数据集上降低了0.45%~11.90%。实验结果表明,LSTM-NeuralProphet模型具有更好的拟合效果和更高的预测精度,能较准确地预测双时间尺度下的城市需水量,可以较好地应用于城市短期需水预测研究中。

基于EEMD-Prophet-LSTM的滑坡位移预测

对于阶跃型滑坡位移这一非稳态自然过程,提出一种结合集合经验模态分解法(EEMD)、Prophet和长短时记忆网络(LSTM)的滑坡位移预测方法。以白水河滑坡位移数据为例,采用EEMD将位移时间序列分解为若干个本征模态函数(IMF)和残差(RES),将包含周期因素、随机因素的IMF叠加视为波动项,RES视为趋势项。分别采用Prophet和LSTM预测趋势项与波动项,两项预测结果叠加得到滑坡位移预测值。结果表明:该方法对于少量数据的白水河滑坡位移预测拟合度(R^(2))达到0.98以上,优于支持向量机、人工神经网络等传统机器学习方法。且此方法对八字门滑坡各监测点的预测精度R^(2)同样在0.96以上,证明了此方法的有效性。

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系(AMI)系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。

基于Prophet的用户用电量短期预测方法

考虑到用户用电数据的周期性、季节性、节假日等因素,给出了一种基于Prophet的预测方法,实现了对用户用电量短期预测。先对数据预处理,解决用电数据中的缺失值、异常值,然后利用Prophet模型对历史用电量数据进行分析学习,构建预测模型。基于真实的用电量数据集进行实验,并与LSTM算法进行对比。实验结果表明,在一个季度的预测中,Prophet在训练集、测试集和整体数据集上的MAPE值比LSTM降低了2.4%、1.35%和2.16%,RMSE上分别降低了16.14%、8.82%和2.71%,这说明提出的方法对于用电量的短期预测具有更高的精度。