多要素融合构建边境水文站预报模型探讨

水口水文站是中国—越南跨界河流水口河入境控制站,位于广西壮族自治区崇左市龙州县水口镇水口街,属于国家一类站,集水面积为4482 km^(2),其中99.8%的面积在越南境内,上游报汛信息相对欠缺。采用相邻及本站现有实测信息,通过多要素融合构建水口站洪水预报模型,做好边境河流水文预警预报,对边境地区防洪保安全具有十分重要的意义。

支持向量机分类方法在天空云量预报中的应用

以2001年5月1日至2004年12月31日逐日武汉市地面、高空观测资料及欧洲中心24小时预报场等资料为基础,构建了不同的训练样本集,基于支持向量机方法进行了大量多因子的随机交叉验证,从而筛选出了包含最佳预报因子的训练样本集和相应的核参数g,建立了武汉市天空云量的预报模型。交叉验证结果表明预报模型是稳定性的、且具有较好的预报能力和推广应用能力。预报试验和实时预报的结果都显示出SVM方法对天空云量有一定的预报能力。

考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.

预报因子选取及方程建立人机交互平台

利用计算机技术,将预报因子选取、方程建立和样本拟合融为一体,建立了预报因子选取及方程建立人机交互平台。该平台包括文件信息,因子初选和回归分析三个模块:(1)文件信息模块主要是读取预报对象文件和预报因子文件,显示并检查文件头信息样本长度的一致性;(2)因子初选模块主要是计算各气象要素或物理量场中每个格点因子与预报量之间的相关系数,构成各相关场,分析这些相关场及其关键区域,从中筛选出组合因子;(3)回归分析模块是对选入的组合因子与预报对象进行逐步回归计算,建立预报方程,并根据回归方程参数和样本拟合率,通过改变因子引入和剔除标准来调整回归结果。

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。

“新常态”下的中国天然气消费分析及预测

作为一种优质、高效的绿色能源,天然气在中国能源结构中所占比重逐渐增加。但可再生能源的崛起使得天然气成为过渡能源的选择,天然气消费量的增长趋势不明晰,因此相关企业及部门需要合理、准确的天然气需求预测模型为未来的工作提供指导性信息。基于此,本文首先从经济水平、产业结构、能源结构、天然气价格等方面选取影响天然气消费的12个因素。其次,运用贝叶斯模型平均(BMA)法构建了一个包含相关文献中常用的6个影响因素的基准模型,针对该模型,围绕影响天然气消费量的各种因素,以逐个添加的方式建立对比模型,从备选模型中选出预测精度最高的对未来天然气消费量进行预测。最后,将BMA模型与ARIMA模型、ETS模型、BVAR模型、逐步回归模型以及等权重加权平均模型的预测精度进行对比。结果表明,最优的BMA模型包含了涉及经济水平、产业结构、能源结构、人口因素、天然气价格、天然气供给六个方面9个影响因素,其预测精度优于对比预测模型,且该模型预测2022年天然气消费量将达到3254.153亿立方米,年均增长率为8%。

基于灰色理论的铁路客运量预测影响因素优化

为了更好地反映各种相关因素对客运量的影响,实现铁路客运量预测模型中影响因素的优化选择,采用灰色理论对影响因素进行分析,并针对传统灰关联分析在具体应用中存在的关联评价值趋于均匀化、分辨系数取值影响排序结果等不足,提出一种采用动态分辨系数的铁路客运量灰关联分析方法,从而得到各因素对客运量的关联度,实现铁路客运量预测模型中影响因素的优化选择.仿真实验以河南省铁路客运量为例,结果表明预测精度得到了提高,此方法可行并且有效.

基于ARIMAX模型的交通事故宏观预测

针对现有道路交通事故预测方法的不足,采用逐步回归法从众多宏观影响因素当中筛选出主要影响因素,并将动态回归ARIMAX模型应用于预测。前者保证了模型应用的准确性,后者则兼有回归与时间序列预测方法两方面的优点。根据1983年—2005年间相关数据,建立起道路交通死亡人数同人口总数、运输线质量里程数、客运量、驾驶员人数、人均GDP、公路运输汽车拥有量的相关关系,进一步应用ARIMAX模型进行预测,拟合结果显示,误差较小、预测情况良好,在交通事故宏观预测方面有很好的应用前景。

基于偏最小二乘回归的洪水预报方法

针对常规多元回归模型无法克服预报因子间复相关性的问题,提出了基于偏最小二乘回归的洪水预报方法.通过结合遗传算法与偏最小二乘回归来进行因子筛选,对筛选后的因子采用Bootstrap方法进行检验,再建立基于偏最小二乘回归的预报模型.实例分析结果表明,该方法建立的洪水预报模型结构简单,能依据给定目标进行因子筛选,有助于克服水文要素间复杂的多重相关性,具有较高的预报精度.

基于FPA-ELM模型的中长期径流预测——以雅砻江流域为例

为提高中长期径流预测效果,提出一种花授粉算法(FPA)优化极限学习机模型(ELM)的中长期径流预测方法。首先,构造反映流域水情丰枯变化的流域径流整体趋势变化因子(COM),并采用偏互信息法获得影响中长期径流过程变化的关键因子集;然后,结合K折交叉验证与花授粉算法优化ELM参数,构建FPA-ELM模型,完成中长期径流预测。最后,以雅砻江流域为研究区域,将构建的FPA-ELM模型与BP神经网络(BPNN)、支持向量机(SVM)、ELM和GA-ELM等模型进行对比分析。结果表明:FPA-ELM模型的平均绝对百分比误差(E_(mape))为20.15%,均方根误差(E_(rmse))为268.77 m^(3)/s,确定性系数(E_(dc))为0.9169,合格率(E_(qr))为60.0%,运算时间为19.32 s,均优于上述4种数据驱动模型。研究成果可为基于智能算法的中长期径流预测提供借鉴。

基于萤火虫算法的短期电力负荷预测方法

近年来,电力行业快速发展,对电力负荷进行预测也越来越重要,其中短期负荷预测对于电力系统的调度和市场运行起到极其重要的作用,精准的电力负荷预测可以有效提高发电设备利用度。融合卡帕(Kappa)测度和萤火虫算法的进行选择性集成学习方法实现短期负荷预测,该方法首先使用自展法(bootstrap抽样)生成多个学习器,然后使用Kappa测度对学习器进行初步筛选,接着使用萤火虫算法从中选择部分差异度大、准确率高的学习器参与集成,其准确率相较于单个学习器而言,有着明显提升。选取2015-2016年武汉2家激光企业的日均负荷曲线作为研究对象,进行负荷预测,通过与其他预测方法进行对比,该方法的预测精度较高。

基于信息论与混合聚类分析的短期负荷预测方法研究

短期负荷预测中,影响用电量的因素众多,传统方法在其中作选择时,仅考虑每个因素与负荷的相关性,不考虑因素之间也存在相关性,造成选取的因素组合中存在相关性冗余和重叠。其次,传统聚类分析中,欧氏距离不能很好的度量负荷曲线形态上的相似性。因此,首先通过欧氏距离与余弦相似度混合度量,对负荷特性曲线聚类。然后,用信息论方法在9种影响因素中选取最优的组合,考虑了影响因素相互之间的相关性。最后,将与待预测用户同类的用户的负荷及其关联因素数据作为训练样本,建立支持向量机预测模型。通过对上海某地实际样本数据的分析,证明该方法预测结果平均相对误差为1.46%,相对误差控制在1%以内的概率达到72.72%,具有较好的实用性。

基于弹性网络模型的月度用电量预测方法

由于现有月度用电量预测所选影响因素较少,无法较为全面地反映与用电量强关联的因素,同时针对高维数据变量筛选和高精度预测等突出难题,文中提出了一种弹性网络用电量预测模型。为了考虑更为全面的影响因素,建立了用电量、气象、经济、交通4类,共340个变量的数据集。首先对8年96个点的高维变量数据进行弹性网络因子筛选,然后使用Granger因果关系分析找出了用电量数据与其它数据的关联关系,对一年范围内的全社会月度用电量使用弹性网络进行预测,预测结果的平均绝对百分误差为3.07%。为验证该模型的有效性,对比向量自回归(VAR)模型,反向传播(BP)模型和最小绝对值收缩和选择算子(Lasso)预测的效果,验证了文中所提方法预测精度较高。

中长期预报在邢台海河流域的应用

在分析子牙河水系海河流域降雨径流的基础上,应用回归统计法,通过优选因子进行预报。西台峪站位于邢台临城县境内,属半干旱、半湿润山丘区,年降水主要集中在6-9月,其河流特性为暴涨暴落。通过优选因子建立预报方程。因子的选取我们从物理成因和数理统计等各方面来考察各个影响因素,挑选出具有明确物理意义的预报因子,并把其应用到实际工作中去。探讨了中长期预报在半干旱、半湿润地区的适用性,对计算成果分析遇到的问题提出了一些解决方法。

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。

基于DMS和DMA的我国碳排放权交易价格预测方法——来自湖北碳市场的经验证据

识别我国碳价影响因素并分析其对碳价的预测作用,对助推经济社会发展的全面绿色转型具有重要的理论和现实意义。本文以我国碳排放配额成交量和成交额最大的湖北碳排放权交易市场碳价为样本,对可能影响我国碳价的相关因素进行梳理,从五个维度筛选出九个重要影响因素,同时运用各类经典预测模型和动态模型选择(Dynamic model selection,DMS)及动态模型平均(Dynamic model averaging,DMA)方法对我国碳价进行了预测对比研究,并分析了各类影响因素预测作用的时变特征。结果表明:一方面,在所选五类影响因素中,经济形势、金融市场走势、国际碳价和大气环境对我国碳价的影响较大,且可以提供较好的预测作用;而国际化石能源价格对我国碳价的影响力在逐步下降。另一方面,与传统计量模型相比,DMS可以为我国碳价提供更高的预测精度。上述结论可以为我国政府监管政策的制定和相关企业的碳交易决策提供参考。

人民币汇率的可预测性与预测因子选择

随着我国汇率市场化改革深入发展,人民币的国际地位不断提高,人民币汇率波动也明显加强.在此背景下,设计有效的汇率预测方法具有重要意义.当数据充足时,预测问题的解决思路之一是寻找有效的预测因子.本文基于众多经济与技术预测因子,分别根据样本外预测能力和样本内拟合能力的惯性假设,构造了两种动量因子选择方法,并在美元和英镑兑人民币月度汇率预测问题中将其与多种主流模型进行对比.实证结果表明,动量因子选择方法在多数情况下显著强于随机游走基准模型,且相比于其他竞争模型,动量因子选择方法使用强预测因子的频率更高,能实现更小的预测误差以及更准确地判断汇率变化方向.此外,从预测因子分类和样本外预测时期划分角度考察模型的预测效果,动量因子选择方法均稳健地优于竞争模型.

一种基于贝叶斯网络的电力负荷峰值预测方法

近年来,我国电力负荷峰值增长速度较快,尤其是华东地区,负荷峰值不断刷新。文章研究负荷峰值特性分布,基于向前逐步选择正则化提出两阶段法进行模型因素选择,并以实例验证选择出6个最佳影响因素组合。在两阶段法模型因素选择研究基础上,结合k-means聚类降低计算工作量,设计了基于贝叶斯网络的电力负荷峰值预测模型和分类预测算法,并以上海市浦东区为例进行验证,预测结果精度较高,验证了该方法的可行性及有效性。

大数据驱动的晶圆工期预测关键参数识别方法

工期是晶圆制造中的重要性能指标,对其进行精准预测可促进系统运行优化,保证订单的准时交付率。针对晶圆工期影响参数多、数据体量大且作用机理复杂的特点,提出数据驱动的晶圆工期关键参数过滤方法,识别影响晶圆工期波动的关键参数。分析晶圆工期潜在影响参数,构建候选参数集;基于信息熵方法设计关键参数的入选测度,综合度量参数间的相关性、冗余性与互补性;提出过滤式的关键参数识别算法,滤取影响工期波动的关键参数子集。采用实例数据,从1 202个候选参数中过滤得到78个关键参数,并采用神经网络模型进行工期预测,结果表明,该方法在预测精度和稳定性上都优于采用全局参数的多元线性回归与神经网络方法。