Combined SAI-SHAO prediction of Earth Orientation Parameters since 2012 till 2017

As the participants of Earth Orientation Parameters Combination of Prediction Pilot Project(EOPC PPP),Sternberg Astronomical Institute of Moscow State University(SAI) and Shanghai Astronomical Observatory(SHAO) have accumulated ～1800 days of Earth Orientation Parameters(EOP) predictions since2012 till 2017, which were up to 90 days into the future, and made by four techniques: auto-regression(AR), least squares collocation(LSC), and neural network(NNET) forecasts from SAI, and least-squares plus auto-regression(LS+AR) forecast from SHAO. The predictions were finally combined into SAISHAO COMB EOP prediction. In this work we present five-year real-time statistics of the combined prediction and compare it with the uncertainties of IERS bulletin A predictions made by USNO.

配电网负荷预测中信号分解和预测模型组合的双层优化策略

负荷时间序列的波动性和非线性特征的加剧对负荷预测方法提出了更高的要求,而常规组合预测方法针对海量负荷数据存在应用局限性问题。为此,提出了配电网负荷预测中时序分解方法和预测模型组合的双层优化策略。首先针对某一负荷预测数据,在时序信号分解层配置权重,以负荷均方根误差最小寻优各分解方法的权重系数,进而获得各时序信号分解方法的最优组合;在此基础上,在预测模型层进行组合方案寻优,通过配置权重系数以获得各预测模型的最优组合,进一步提升负荷预测的精度。仿真结果表明,所提策略可根据预测对象的特征优化组合各信号分解方法和预测模型,降低了配电网负荷序列的非平稳性对预测精度的影响。

基于趋势分解和IOWA算子的组合预测模型

不同的数据有着自身的不同特性,对于时序数据而言,数据往往有着与时间相关的趋势,通过分解这种趋势,并对趋势和趋势以外的部分分别进行预测再组合,可以得到更好的预测结果 .选用2013年1月4日—8月11日的人民币对美元的汇率数据进行实证检验,分别采用灰色预测模型、ARIMA模型、LSTM模型以及它们的组合模型对数据进行预测,实证分析结果表明,基于趋势分解和IOWA算子的组合预测模型相较单项预测而言有着更良好的预测精度.

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于ICEEMDAN-DCN-Transformer的短期电力负荷预测

针对传统负荷预测方法易受复杂环境因素影响的问题,提出了基于ICEEMDAN-DCN-Transformer的短期电力负荷组合预测模型,该模型将电力负荷数据通过ICEEMDAN方法分解为若干个IMF和一个Res函数,考虑复杂环境因素的影响,将分解后各分量与环境特征并行输入到DCN-Transformer中进行预测,并将各组预测数据线性相加得到完整的预测结果。以泉州市电力负荷历史数据为基础进行实验,建立4种单一预测模型和3种组合预测模型作为对比模型,对该地10 d、240 h的电力负荷序列加以预测。结果表明,相较于传统算法,所提算法可以显著提高负荷预测的精度并有效降低误差评价指标值,为电力系统的安全运行和规划制定提供理论依据。

基于改进BP神经网络的软土路基沉降预测研究

结合软土路基沉降观测值,分别从精度、安全性和预测期限等角度对双曲线模型、S型成长曲线模型和BP神经网络进行适用性分析。为了提高沉降预测精度、克服传统BP神经网络缺陷,采用LM优化算法改进BP神经网络,验证了LM算法的优越性,在此基础上建立了一种考虑趋势部分和随机部分的组合预测模型。该模型既符合路基沉降的发展规律,又能够充分利用BP神经网络的非线性外推能力,弥补趋势函数的精度下降。工程实例研究表明,该模型优于各单一预测模型,具有很好的预测效果,均方差为0.03,残差平方和为1.8,相关系数接近1。

基于EMD-SSA-LSTM模型的城市轨道交通站点客流预测

文中基于EMD和SSA算法,对LSTM神经网络进行优化,提出一种新的组合预测模型.利用EMD算法降低数据噪点的干扰,将短时客流数据分解为多个IMF和一个残差.利用SSA算法优化LSTM网络的隐含层神经元个数、学习率以及迭代次数.利用优化后的LSTM模型对各个IMF进行预测,由各IMF的预测结果求和得到最终的预测值.利用杭州市客流量最大的站点火车东站客流量数据进行验证,并与BP神经网络、LSTM神经网络以及SSA-LSTM模型的预测结果相比较.结果表明:在针对工作日和非工作日的短时客流预测中,EMD-SSA-LSTM组合模型的预测误差均低于其他3种模型,且工作日与非工作日的预测值与真实值之间可决系数分别为0.9995,0.998,验证了本文提出的组合模型的有效性,并且提高了预测精度.

基于组合预测的安徽省物流需求预测分析

安徽省是中部大省,是连接长江三角洲和中部省份的重要枢纽,交通业和物流业发展迅速。文章以安徽省物流为切入点,通过货运量与地区生产总值等指标,使用灰色预测法、二次指数平滑法、回归分析预测法和组合预测法分别对安徽省物流需求进行预测。经过比较,最终选取误差最小的组合预测法确定了安徽省未来五年物流需求的预测值,并为安徽省物流发展提出一些建议,以期为安徽省的物流行业以及经济发展提供借鉴。

基于长短期记忆网络汽轮机振动幅值预测

火电机组的主轴振动幅值具有非线性,非平稳,时序相关,且与当前历史状态密不可分的特点,而实际火电厂所提取数据往往呈现无规则,长时间,数据量庞大的特点。提出了由麻雀搜索算法(SSA)进行优化的的长短期记忆网络(LSTM)相结合构建深度学习预测模型,对汽轮机主轴的振动幅值进行更高精度的预测模拟。相较于非时序神经网络模型和无优化时序神经网络模型预测性能大大提高。

基于灰色模型的工程造价指数组合预测模型构建

随着大数据及人工智能的发展,构建合理的工程造价指数是工程造价发展的必然趋势。研究基于灰色预测模型和梯度提升决策树(Gradient Boosted Decision Tree,GBDT)预测模型,结合Stacking策略进行模型的组合,得到GM-GBDT工程造价指数组合预测模型。对模型的性能进行分析,发现三种模型中预测性能从高到低依次是GM-GBDT集成预测模型、GBDT预测模型、GM(1,N)预测模型,GM-GBDT集成预测模型对2020年1-12月工程造价指数的真实值和预测值的相对误差为3.86%-1.05%,平均相对误差为2.60%。实证分析结果表明,GM-GBDT联合模型,具有更好的整体预测能力,能够在GM(1,N)和GM的基础上,进一步提升预测准确率。

Nonlinear Combination Forecasting Model and Its Application

This paper mainly discusses the nonlinear combination forecasting model and states that the nonlinear combination forecasting model is better than linear combination forecasting model in many aspect.

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A_(1))、多云(A_(2))、阴天(A_(3))、雨天(A_(4));通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。

基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

鉴于目前使用变分模态分解(variational modal decomposition, VMD)搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限。提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与长短时记忆神经网络(long short-term memory, LSTM)的组合预测模型。首先,使用北方苍鹰优化算法(northern goshawk optimization, NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明:该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度。

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。

基于EMD-Bayes-SVR组合模型的短期电力负荷预测

短期电力负荷是电力供需平衡的关键,针对短期电力负荷预测精度问题,文中提出了EMD(Empirical Mode Decomposition)-Bayes-SVR(Support Vector Regression)组合预测模型,即将原始电力负荷序列通过EMD方法分解为若干个IMF(Intrinsic Mode Function)和1个Res(Residual),依据Hurst指数将各IMF重构为高频分量、低频分量和残差分量,利用贝叶斯优化算法对SVR进行参数寻优,将寻优得到的最佳参数带入SVR并对重构后的3个分量分别进行预测,将3个分量的预测值相加得到最终预测结果。以美国内布拉斯加州的历史电力负荷数据为例,建立8种单一预测模型和7种组合预测模型作为参照模型,对该地的电力负荷序列进行预测。实验结果表明,EMD-Bayes-SVR组合预测模型能够有效预测短期电力负荷的变化趋势,其MAE(Mean Absolute Error)、RMSE(Root Mean Square Error)和MAPE(Mean Absolute Percentage Error)这3种误差评价指标数值相对于SVR模型分别降低了29.84%、32.05%和22%,并显著低于其它参照模型。

基于FA-SVR-LSTM组合模型的短期电力负荷预测

短期电力负荷预测作为维护电网系统运行和分析的基础,为电网系统的经济调度、安全分析提供了判断依据和信息,对维护电网系统的正常运行具有重要作用。文中采用萤火虫算法(Firefly Algorithm,FA)将SVR(Support Vector Regression)模型的惩罚因子c、核参数g和LSTM(Long Short-Term Memory)模型的神经元个数m、学习率lr进行优化,利用寻优的最佳参数建立FA-SVR-LSTM组合预测模型,并对样本数据进行预测。以佛罗里达州电力负荷历史数据为例,建立LSTM、SVR、FA-SVR和FA-LSTM4种参照模型,对该地15天360 h的电力负荷进行预测,并与FA-SVR-LSTM预测结果作比较。实验结果表明,FA-SVR-LSTM模型与LSTM模型和SVR模型相比,预测精度分别提高了33.1849%、30.3265%,且MAPE(Mean Absolute Percent Error)和RMSE(Root Mean Square Error)两种误差指标评价值低于其它4种模型。相比于其他模型,FA-SVR-LSTM组合模型预测效果得到了显著提高。

基于LSTM-RELM组合模型的电商GMV预测研究

随着互联网的发展,内容营销逐渐成为电商营销的主流,而该类营销的日商品交易总额(gross merchandise volume,GMV)直接关系到企业的库存优化控制与广告投放策略。为了提高预测精度,基于真实电商订单数据集,根据内容营销的指标,分析用户行为对于GMV的影响,提出了一种长短期记忆网络(long short-term memory network,LSTM)与正则化极限学习机(regularized extreme learning machine,RELM)的组合模型LSTM-RELM。实验结果表明,相比于传统单一模型与双LSTM、LSTM-SVR、GM(1,1)-BP等组合模型,LSTM-RELM模型具有更精确的预测效果与更快的运行速度,能为相关销售企业提供广告投放策略参考与库存优化建议。

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。

基于GM(1,1)-ARIMA组合模型的宁波港口物流需求预测分析

港口在我国物流业发展中起着重要的作用,也对社会经济的发展有着促进作用。港口物流业有着很大的潜力和发展空间,对港口物流的需求进行预测是港口物流发展优化过程中重要的一部分。文中将两种单项预测模型,即灰色关联预测与ARIMA模型预测进行组合,形成组合预测模型,从而对港口物流进行预测。预测结果表明,研究的预测结果对宁波港口物流的发展有一定的参考作用,为港口物流需求预测提供了一定的方法和手段。

面向泊位共享的泊位资源预测与分配模型

为缓解城市停车难题,面向泊位共享构建一种基于共享泊位供给量预测的泊位分配模型。基于BP神经网络,构建当日相邻时刻、相邻工作日同时刻、相邻周同工作日同时刻三种不同时间粒度下的共享泊位预测模型,进而基于组合预测理论构建组合预测模型。以此为基础,考虑收费模式的影响以共享收益最大化为目标,建立固定收费、递减阶梯收费以及递增阶梯收费三种泊位分配模型,提出停车共享总收益、泊位利用率和停车请求接受率的评价指标。以深圳某办公停车场及其毗邻居住区为例进行实例应用和分析,验证模型的有效性。结果表明:组合预测模型对共享泊位供给量的预测效果最好,平均绝对百分比误差为6.49%;泊位分配模型能显著提高泊位利用率,测算案例办公区夜间共享时段停车场的整体泊位利用率由共享前低谷的14%提高到共享后的76%;递增阶梯收费模式的收益和泊位利用率最高,接受的长时停车请求最多;递减阶梯收费模式的收益和泊位利用率最低,接受的短时停车请求最多。