基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

基于SARIMA-LSTM组合模型的河南省快递业务量预测

基于时间序列理论建立SARIMA和SARIMA-LSTM组合模型,以求对河南省快递业务量发展趋势的精准预测。由于传统的时序模型在快递业务量预测中很难捕捉到数据序列中的非线性特征,因此研究提出了一种季节性差分回归移动平均模型(SARIMA)与长短期记忆网络(LSTM)相结合的组合预测模型。通过对这2种模型的预测结果进行对比分析,发现SARIMA-LSTM组合模型在对快递业务量变动趋势的预测上具有更高的准确性。

基于SARIMA模型的五道沟地区0~320 cm土层季尺度地温预测研究

【目的】探讨五道沟地区地温季尺度变化趋势和突变特征,建立SARIMA地温预测模型。【方法】基于五道沟水文实验站1964—2022年长系列实测地温资料,采用线性回归、Sen’s斜率估计、MK检验等方法,开展0~320cm土层地温季尺度变化趋势和突变特征研究,建立不同土层深度(0~320cm)地温SARIMA预测模型。【结果】(1)春季、冬季0~160 cm土层地温呈显著上升趋势;夏季除0、10 cm土层外其他土层地温均有显著下降趋势;秋季0、20 cm土层地温具有显著上升趋势;320 cm土层地温在冬季具有显著下降趋势。(2)春季0、10、20、40、160 cm土层地温分别在2006、2013、2012、2015、2018年发生突变,突变后增温趋势显著;320 cm土层地温在1984年前后开始显著降低。(3)地温数据的预测值与实测值拟合优度均>0.95,不同土层地温预测模型均有较好的预测能力,且随土层深度增加预测精度提高,MAE随土层深度增加由1.666下降至0.390,RMSE随土层深度增加由2.139下降至0.525。【结论】SARIMA模型精度较高,可用于淮北平原地区地温模拟预测。

基于SARIMA-BP组合模型的家具订单需求量预测方法研究

对定制家具的生产需求进行精准预测,有助于家具企业进行有效的决策,包括提前制定生产计划、提前规划生产资源等,以期合理分配现有的生产资源并根据预测结果合理储备资源。本文以A企业家具的产品订单需求量为研究对象,分析其需求影响因素,在建立SARIMA模型及BP神经网络预测模型的基础上,建立SARIMABP组合算法的需求预测模型,并选用实际数据,验证所构建的需求预测模型的有效性,结果表明本文提出的预测模型与方法对企业精准预测订单需求量具有较大的应用价值。

基于时序分解和SARIMA⁃DSR的台区可开放容量计算方法

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在计算准确率和普适性低的问题。因此,提出一种基于局部加权周期趋势分解算法(STL)和季节性自回归滑动平均模型(SARIMA)与动态同时率(DSR)的台区可开放容量计算方法。该方法首先利用STL将历史台区负荷数据分解为趋势项、季节项和余项;其次,根据调整的历史台区负荷数据建立SARIMA台区负荷预测模型,预测未来台区负荷的变化及负荷峰值;同时,根据台区历史负荷数据建立台区DSR准则;最后,构建SARIMA‐DSR模型,合理调整可开放容量计算方法中的配置系数,实现台区的可开放容量的准确计算。

基于SARIMA-LSTM的区域用电消耗预测研究

针对季节性、节假日因素对区域用电消耗的影响,并为更好地管理和规划特定区域的电力供应提供有价值的见解。提出了一种混合模型,结合SARIMA和LSTM来预测区域用电消耗。提出的SARIMA-LSTM模型旨在捕捉电力消耗数据中的时间依赖性和季节性模式。利用历史用电数据,并采用SARIMA来捕捉线性依赖性,同时采用LSTM来捕捉非线性和长期依赖性,将两个方法的结果进行叠加,该混合模型使用特定区域的用电数据进行训练和评估。分别与SARIMA和LSTM单一模型相比,结果表明,SARIMA-LSTM模型在准确预测区域用电消耗方面优于单一的SARIMA和LSTM模型。

基于SARIMA-Bi-LSTM模型的水利设施安全状态预测

为提升水利设施安全状态预测水平,考虑到单一监测指标无法体现对水利设施的影响,提出一种基于SARIMA-Bi-LSTM模型的水利设施安全状态预测方法。以某水电站引水涵洞为研究对象,采用SARIMA模型预测裂缝开合度时间序列数据的线性分量,将温度数据、裂缝开合度残差数据传入Bi-LSTM模型进行残差数据预测,最后将SARIMA模型和Bi-LSTM模型预测结果进行叠加。结果表明,对比BP神经网络模型、SARIMA模型和SARIMA-LSTM模型,所构模型预测性能最好,能满足实际需要,为类似水利设施安全状态预测提供了一种新思路。

基于SARIMA模型的上海市中心城区共享单车需求预测

无桩式共享单车的出现与推广在减少碳排放的同时,带来了道路拥堵问题。如何高效、准确地进行交通流量预测已经成为人们关注的热点。利用2016年8月上海市中心城区摩拜共享单车数据,利用季节性差分自回归移动平均模型(Seasonal Autoregressive Integrated Moving Average Model,SARIMA模型)进行模拟和预测,再通过折线图的方式揭示共享单车需求量与时间之间的变化关系。研究发现,SARIMA(0,1,3)×(0,1,0)_(84)模型能够有效预测上海市中心城区共享单车的需求量。预测交通流量,可以缓解城市主干道的拥堵状况,提高市民的生活质量。同时,预测通勤需求可以平衡供需关系,为运营企业和用户提供更高效的服务,为政府规划提供决策依据。

基于DWT-SARIMA-LSTM的流感预测模型研究

为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频成分与低频成分,对低频成分使用SARIMA模型、高频成分使用LSTM模型分别进行预测;其次,将预测值融合得到最终的预测结果;最后,构建流行控制图预警模型。使用从中国香港卫生署官网获得的中国香港地区2010—2019年的流感数据对模型进行预测和验证,其MAE为0.3427,MAPE为8.0973%,RMSE为0.4632,预警模型的准确率为100%,该模型较于如ARIMA-LSTM等其他混合模型有更高的预测精度。

融合SARIMA与BiLSTM的水利设施形变预测

水利设施形变预测可以有效地判断水利设施的运行状态。水利设施安全监测数据是时间序列数据,既有趋势性又有季节性。为了获得更准确的预测结果,文中提出一种基于季节自回归差分移动平均(SARIMA)模型和双向长短时记忆(BiLSTM)网络的预测模型,以解决无法充分挖掘数据中正向与反向的关联进行预测的问题。该模型采用SARIMA模型预测变形数据中的线性分量,采用BiLSTM模型预测变形数据中的非线性分量,使得模型能够更好地提取历史数据中的非线性关系以及正向与反向关系从而提高预测准确度。结合某水电站4#引水涵洞监测数据,使用SARIMA-BiLSTM模型对裂缝计开合度时间序列进行了预测,并与反向传播神经网络模型、SARIMA模型和SARIMA-LSTM模型的预测结果进行对比,比对结果证明所提方法有效地提高了预测精度。

基于SARIMA模型的短期天然气负荷区间预测

天然气负荷预测对居民生活、商业发展、工业生产等领域都起着决定性作用,且精确的短期负荷预测可以有效量化天然气负荷预测的不确定性,对于能源系统运行调度避险十分关键。天然气负荷由于受到季节的影响会出现巨峰特征,传统的点预测模型没有考虑到天然气的季节性影响,预测结果的准确性偏低。SARIMA模型可以处理具有季节性波动趋势和随机干扰的时间序列数据。因此,采用SARIMA模型对天然气负荷进行去日、季、周期性以及一阶差分的处理,捕获时间序列中的线性特征与季节性特征,依据赤池信息准则与网格搜索确定最优参数模型,按比例划分短期区间预测数值。以西安市天然气用量为例,与传统模型对比,结果表明采用SARIMA模型在序列强季节性区间内误差小,具有较高的准确性。

基于SARIMA-LSTM组合模型的网络流量预测方法

针对网络流量预测问题,提出一种基于SARIMA和LSTM组合模型的网络流量预测方法。首先,利用S-HESD算法对异常流量数据进行检测,并通过滑动窗口均值进行数据平滑处理;然后,利用基于统计学习的SARIMA模型预测流量数据,并将其作为LSTM神经网络的输入,最终输出流量预测值。实验结果表明,SARIMA-LSTM组合模型能充分呈现骨干网、城域网、边缘接入网等不同层级网络的周期性和趋势性等特点,优于SARIMA、LSTM等单一模型。

基于SARIMA-GARCH模型的黑龙江省快递业务量预测与应用

近年来,随着电子商务的不断发展,快递业务量持续快速增长,在终端配送领域出现了持续的高压工作状态.为了有效预测快递业务量的变化趋势,缓解配送领域压力,基于时间序列预测理论建立了SARIMA和SARIMA-GARCH时间序列预测模型,分别对黑龙江省快递业务量进行了分析与预测.2种模型预测结果对比表明,SARIMA-GARCH时间序列预测模型更能较为准确地预测快递业务量的变化趋势,黑龙江省快递业务量近2年间仍将不断增长.这一结果为黑龙江省快递业务量统计预测工作与缓解终端配送领域的高压工作状态提供了一定的参考.

基于SARIMA模型的高校人工智能就业趋势研究

文章利用大数据相关技术,采用Nagao算法、单尺度Retinex(Single Scale Retinex,SSR)算法、季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型,对人工智能专业的就业趋势和供需关系进行分析和预测。研究表明,人工智能专业的就业形势较为乐观,未来几年将持续保持高速增长。同时,及时掌握人工智能专业的就业趋势和供需关系,提高毕业生的实践能力,加强对人工智能专业毕业生就业市场的研究,并深入挖掘人工智能技术的应用价值,以期为社会提供更多的高质量人工智能人才。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

SARIMA-LSTM组合模型在铁路疫情短时客流的预测研究

针对新型冠状病毒肺炎疫情这类突发性公共卫生事件对铁路短时客流造成的巨大扰动问题,分析疫情下的春运周期性、季节性的非平稳时间序列日客流曲线,构建基于SARIMA-LSTM的组合模型。利用SARIMA模型进行线性部分预测,LSTM滚动优化模型进行非线性部分预测,将2个预测结果代入注意机制模块加权求和,引入GRU门控循环单元辅助验证。通过对实例研究分析,结果表明:SARIMA-LSTM组合模型的预测结果控制性好,准确率高,可为疫情突发事件短时客流数据集的预测提供理论依据。

基于SARIMA模型或SARIMA-GRNN组合模型的急性出血性结膜炎发病预测

目的:构建急性出血性结膜炎(AHC)发病季节差分自回归移动平均(SARIMA)模型与改进SARIMA-广义回归神经网络(GRNN)组合模型。方法:收集2013年1月至2020年12月全国AHC月发病数据,构建SARIMA模型和SARIMA-GRNN组合模型,并预测2021年1至6月AHC的发病数。结果:我国AHC发病呈以12个月为周期的季节性波动特点,除6至9月呈现季节性发病高峰,其他月份发病率相对稳定。最终确定的SARIMA(1,0,0)(0,1,1)_(12)模型预测AHC的平均绝对误差百分比(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)依次为18.21%、452.99、577.82,SARIMA-GRNN组合模型依次为13.07%、325.75、410.79。结论:与SARIMA模型相比,SARIMA-GRNN组合模型预测AHC精度更高、性能更为优良,可用于AHC的短期预测。

龙门山断裂带发震时刻间隔的SARIMA模型分析预测

基于龙门山断裂带2012年1月—2021年9月M_(S)2.5及以上地震目录数据,按震级分组建立发震时刻间隔序列,然后对各序列进行平稳白噪声检验,自相关、偏相关性分析,使用SARIMA模型对其进行短、中、长周期拟合及预测。通过分析模型拟合效果,得到不同震级序列的最优模型参数及相应周期数值。其中,序列M_(S)≥2.5及序列M_(S)≥3.0各模型调整R2均在0.86以上,最高达0.911;两序列对应模型的短时预测表现良好,预测RM_(S)E分别为10.686及8.800。模型预测结果表明,龙门山断裂带后续发震时刻间隔总体趋势平稳,序列M_(S)≥3.0预测结果趋势有微弱增长,一段时间内龙门山断裂带M_(S)≥3.0地震发震次数将略微下降,地震活动性降低。该分析结果可为地震活动研究工作提供科学依据,其分析方法及过程为地震发震时间的分析预测提供了有效可行的途径。

融合自注意力机制和SARIMA-LSTM算法的快消品需求预测模型

针对市场中Z企业的快消品存在地区因素影响大、明显的季节性等特点,提出一种更加精准的组合预测模型。首先对Z企业快消品数据进行平稳化操作,其次考虑需求影响因素如周期节假日、地方经济环境(GDP)、准时交货率等,利用SARIMA模型与LSTM优化模型进行组合预测,最后将预测结果融合自注意机制模块进行处理,得到的预测值与实际值进行比较。实验证明,获得的结果在衡量指标中有最佳性能,验证了本文所提方法的有效性。

Prophet模型和SARIMA模型在某市心脑血管疾病死亡人数预测中的应用比较

目的 分析某地级市因心脑血管病死亡人数的趋势,探讨和比较时间序列分析中的Prophet模型和SARIMA模型在死亡人数预测中的应用。方法 从该市卫生健康大数据中心获取2014年到2018年因心脑血管疾病死亡的人数,分别构建Prophet模型和SARIMA模型,使用2019年1月到12月的数据验证两种模型的预测效果,用均方根误差和平均百分比误差作为评价指标。结果 Prophet模型的平均百分比误差为5.24%,SARIMA模型的最优模型为SARIMA(0,1,1)(0,1,1)12,平均百分比误差为7.88%。结论 时间序列分析方法能够用于心脑血管疾病死亡人数趋势的预测,Prophet模型预测精度更高。