基于NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

基于NAR神经网络和R/S分析法的隧道围岩变形预测分析

为研究隧道围岩变形非线性特点,采用NAR神经网络和R/S分析法,对隧道围岩变形量和变形趋势进行分析。通过NAR神经网络对变形监测样本进行误差分析,认为NAR神经网络对围岩变形短期预测时的误差小精度高。运用R/S分析法对各变形时间序列进行重标极差分析,获得各时序的Hurst指数,分析其与围岩变形趋势的关系,并通过Hurst指数对隧道围岩变形趋势进行判定。结果表明:算例中的断面围岩变形仍然会呈增长趋势,但增长幅度在减小,且水平收敛的趋势性强于拱顶沉降,说明前者受随机扰动影响较小,后期稳定性相对更高。通过运用R/S分析法进行时间序列分析,不仅为围岩变形趋势预判提供了Hurst指数判据,同时也为围岩稳定性分析及治理提供了一种依据。

基于NAR神经网络对养殖水体亚硝酸盐预测模型的研究

针对用传统机理建模不能满足水体中亚硝酸盐浓度变化预测的问题,引用非线性自结合的时间序列网络,建立了基于NAR神经网络的养殖水体亚硝酸盐预测模型。采用2014年6—10月养殖塘口检测的亚硝酸盐的数据建模,建立了用于养殖水体亚硝酸盐模拟的NAR神经网络,并利用2014年11月的观测数据对模型的模拟能力进行了检验。结果显示,建立的养殖水体亚硝酸盐预测模型,可以很好地模拟水体中亚硝酸盐浓度的变化趋势,模拟的绝对误差平均值为0.001 6 mg/L,纳什效率系数为0.72。研究表明,基于NAR神经网络建立的预测模型,在养殖水体亚硝酸盐含量变化预测中具有很强的非线性动态描述能力,对养殖水体中亚硝酸盐的预测有较好的适应性和预测精度。

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法(empirical mode decomposition,EMD)优化非线性自回归(nonlinear auto regressive,NAR)动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.

地铁车站客流预测方法比较研究

为了更加合理地进行地铁车辆调度和制定人员配置方案,并在满足人们出行需求的基础上实现资源利用最大化,对地铁客流量进行准确地短时预测是非常必要的,同时客流预测对地铁站厅空调系统的运行调节也具有重要作用。文章通过对郑州某地铁车站2014年6—7月的进站小时客流量数据进行统计分析,构建季节性差分自回归滑动平均(SARIMA)模型、非线性自回归神经网络(NAR)模型和长短期记忆网络(LSTM)模型,用统计数据进行模型训练并实施预测。通过在工作日客流预测中,发现LSTM模型在MAE、RMSE和R2上均优于其他模型,拟合系数R2达到0.9814,MAE为55.84,均方根误差为88.56;在非工作日客流预测中,LSTM模型同样表现出最好的效果,R2达到0.9817;SARIMA模型精度接近LSTM模型。这说明在对具有明显周期性数据预测时,无论是经典的时间序列方法还是先进的深度学习方法预测结果都很好,传统的神经网络因为无法捕捉周期性所以预测效果较差,预测精度相对较低。

NAR神经网络的应用与检验——以城市居民生活需水定额为例

NAR神经网络具有反馈和记忆功能,其在时间序列的建模仿真方面具有显著优点。以城市居民生活需水定额为例,采用NAR神经网络建立了贵州省城市居民生活需水定额的时间序列模型,通过试验法、留一法交叉检验讨论了模型相关输入参数的计算与选取,通过相关系数、Nash效率系数、LBQ检验、ROC曲线方法检验了模型的性能和预测结果的精度,进而对贵州省城市居民生活需水定额变化趋势进行了预测。结果表明,(1)NAR模型性能良好并具有较高的预测精度,NAR神经网络的相关系数r、Nash效率系数分别达到0.97、0.87,LBQ检验得出预测结果误差不存在自相关性,采用预测结果绘制ROC曲线,其AUC值达到0.938(处于水平1,有较高准确性);(2)需水定额合理性评价中,预测2020年、2030年需水定额分别为137.72 L/(人·d)、132.94 L/(人·d),满足《室外给水设计规范》(GB50013—2006)的要求,具有较好的适用性。

基于时空相关性的NAR动态神经网络风功率超短期组合预测

考虑风电场机组空间分布的相关性,提出基于动态时间序列神经网络(NAR)的风电场超短期功率组合预测方法。首先利用经验函数正交分解(EOF)解析风电机组出力特征的空间相关性,并依据空间特征贡献率对风电机组进行分组;其次针对机组的原始功率时间序列均值建立NAR预测模型,进而对风电功率预测结果组合加总获整取个风电场功率预测值。以中国北方某地区风电场实例验证,与单一风功率序列NAR预测模型和ARMA(2,2)模型相比,预测结果验证了文中所提方法的有效性。

基于NARX模型的参考作物蒸散发预测

为了实现气象资料缺失情况下参考作物蒸散量(ET0)精确计算和预测,以攀枝花站点为例,构建非线性自回归滤波器(NARX)模型预测ET0.以Penman-Monteith模型计算的ET0作为预测标准,将日最高温、日最低温、日照时数、风速和相对湿度作为模型的输入参数,建立11种不同气象因子组合的NARX模型,并与Hargreaves-Samani模型、Irmak-Allen模型、Makkink模型、Priestley-Taylor模型的计算结果进行比较.结果表明:不同气象因子输入下的NARX模型模拟精度表现出明显的差异.其中,基于全部气象因子的NARX-1模型的RMSE,MAE和MBE分别为0.425 mm/d,0.320 mm/d和0.069 mm/d,NSE为0.920,GPI排名第11,精度最差;而基于风速的NARX-9模型精度最高,其RMSE,MAE和MBE分别为0.285 mm/d,0.237 mm/d和0.019 mm/d,NSE为0.964,GPI排名第1.在输入相同气象参数情况下,基于温度和日照时数的NARX-4模型模拟精度优于Irmak-Allen,Makkink,Priestley-Taylor模型;基于温度的NARX-7模型模拟精度明显高于Hargreaves-Samani模型.因此,可将NARX模型作为四川西南山地缺失较多气象资料情况下计算ET0的推荐模型,为农田精准灌溉提供科学依据.

基于EEMD-NAR的突发传染病舆情热度预测研究

为了准确地预测舆情发展趋势,选取百度指数作为热度值构成原始时间序列,采用集成经验模态分解(EEMD)对原始时间序列进行离散分解,运用NAR神经网络对各部分进行预测建模并合成,得到热度预测结果。最后,通过对比分析组合模型和单一模型预测结果的精度,说明组合模型热度预测的准确性、有效性。试验结果表明,EEMD-NAR神经网络组合模型可以较好地解决非线性单一序列的预测问题,提高了NAR神经网络模型舆情热度预测的精度,能够为相关部门预测舆情热度的发展趋势提供参考。

基于PCA-NAR神经网络的风电机组健康趋势评估

为了提高风电机组的实时可靠性,避免维修不足及维修过剩问题,降低风场运维成本,基于监控与数据采集(supervisory control and data acquisition,SCADA)系统得出的监测数据,应用主元评价和非线性自回归(non-linear auto-regressive,NAR)时间序列神经网络,通过建立评价及预测模型。通过实际数据验证模型有效性。结果表明:采用PCA-NAR的方法对风电机组的健康状况进行评估及预测有较好的效果,有助于帮助风场运营人员提前识别故障趋势并作出具体决策,以免机组遭受更为严重的故障。

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。

基于NAR神经网络的人口数量预测方法

人口规模是城市规划和土地利用总体规划中一项重要的控制性指标。人口规模是否合理不仅影响到未来地区经济和社会发展而且会影响到地区生态环境可持续发展。因此准确地预测未来人口的发展趋势并制定相应的人口布局方案具有重大的理论意义和现实意义。利用NAR动态神经网络模型,以1949—2010年我国人口总数为训练样本,对2011—2017年人口总数进行了预测,预测结果与实际人口总数具有较好的吻合度,绝对误差在50万人之内。表明利用该方法可进一步预测未来我国人口总数,为人口政策制定提供科学依据。同时,NAR神经网络的预测结果受参数选取的影响较大,在进行实际应用时应充分利用先验信息进行约束。

CEEMDAN分解下基于NAR神经网络的比特币价格预测

为了帮助投资者更好地对比特币未来走势进行判断,利用CEEMDAN分解方法对比特币价格进行分解,并用NAR神经网络模型和ARIMA模型进行预测,同时与直接使用两个模型的预测效果进行比较。结果发现,在中长期上通过CEENDAN进行分解后预测精度更高,但运用在短期上会使精度降低,同时与ARI-MA模型相比,NAR神经网络模型的预测精度更高。

基于NAR网络的脑活动建模与分析

目的目前基于脑网络连接的研究偏向于大脑内部相对稳定的连接,对大脑的瞬态活动研究非常有限。研究旨在基于高分辨率脑电信号,提出大脑活动动态网络模型,提取脑活动的深层特征,研究不同康复任务对大脑动态活动的影响,制定个体化精准康复方案。方法基于大脑静息态数据,运用单隐层NAR(Nonlinear Auto Regressive)神经网络对多通道脑电信号进行建模,建立NAR自编码器,用于大脑活动特征提取。通过相关性分析找到独立的典型隐含层神经元动态作为大脑活动的特征。分析不同任务态下大脑活动特征变化。结果NAR神经网络能够较好复现与运动想象相关的6通道脑电信号,模型预测输出的均方根误差为0.1108±0.0447。NAR自编码器提取的4个大脑活动特征能高时间精度地实时反映大脑任务切换。结论研究提出了有效的多导脑电动态过程建模方法,NAR自编码器能提取研究大脑任务切换的典型特征,对于个体化精准康复具有很好的指导意义。

基于FA-NAR神经网络预测人体运动意图

以准确预测人体运动意图为目标,本文基于足底压力数据,设计NAR动态神经网络和萤火虫算法相结合的FA-NAR动态神经网络,利用萤火虫算法的优点,对NAR动态神经网络里面的参数进行优化。仿真实验结果表明:FA-NAR动态神经网络能够有效预测人体的运动步态,实现人机柔顺协同。

基于GM(1,1)模型和NAR神经网络的城市热水供热能力预测

基于我国2001—2019年城市热水供热能力,使用灰色预测系统中的原始差分GM(1,1)模型(ODGM)对未来4年的城市热水供热能力进行预测,为了判断预测效果的好坏,同时又使用了NAR神经网络预测模型对数据进行预测,最终得出,使用灰色预测模型的平均相对残差为6.00%,NAR神经网络预测模型的平均相对残差为6.89%,通过对比发现,灰色预测模型能更好地拟合城市热水供热能力数据,预测精度更高。

基于时间序列分解的降雨数据挖掘与预测

研究建立了基于时间序列分解的神经网络模型,能对降雨时间序列挖掘并预测。(1)以桓台县1979-2018年的480组月降雨数据为例,将降雨时间序列分解为趋势项、周期项、突变项与随机项。(2)采用累积距平法、Mann-Kendall趋势分析法、Hurst指数法、特征点法方法进行趋势性分析;小波分析法进行周期性分析;Mann-Kendall突变检验法和Pettitt法进行突变性分析;采用自相关法和单位根法对随机项进行检验。(3)以1979-2014年的432组月降雨时间序列随机项为率定数据,2015-2016年数据为验证数据,分别建立NAR(Nonlinear Auto Regression)与NARX(Nonlinear Auto Regression with External Input)神经网络随机项预测模型,对2017-2018年月降雨数据进行预测,并与直接预测结果对比。结果表明:(1)桓台县1979-2018年月降雨量数据有微弱的上升趋势,预测未来将呈微弱下降趋势,其第一主周期是19(月),数据不存在明显的突变情况。(2)NAR神经网络所得2017-2018年的月降雨量预测值与实测值误差为16.79%。

飞机完好率预测仿真研究

利用飞机完好率时间序列特性,建立了NAR神经网络模型和基于不同核函数的3种支持向量机模型对平时状态下的飞机完好率变化趋势进行建模、训练和预测;运用Matlab仿真软件进行试验验证,结果表明:支持向量机模型具有较好的拟合效果,预测精度优于NAR神经网络模型,基于RBF核函数的支持向量机预测准确率相对较高。两种预测模型相比于部队现行的预测方法均具有更高的准确度和可靠度。

自由式滑雪空中技巧赛道风速风向超短期预测与分析

旨在实现对赛道上风速风向的超短期预测,为自由式滑雪空中技巧提供实用有效的风速风向预报信息,为运动员稳定性控制与技术训练提供辅助支持。针对赛道风具有非平稳、波动剧烈的特点,采用离散小波变换提取风速风向序列的特征分量,对低频近似分量建立非线性自回归(NAR)神经网络模型,高频细节分量建立差分自回归移动平均(ARIMA)模型,再将各分量结果组合相加得到最终预测结果。误差分析表明组合模型能有效改善单一模型的预测滞后性,预测精度高同时具备预测风速风向突变的能力。对预测结果进一步分析,将其转换为表征赛道风稳定性的指标,来为运动员提供更直观的预报信息。最后对模型计算用时分析表明该方法能够满足实际应用的需求。

基于太白山南坡巴山冷杉NPP动态变化的时间序列模型预测效果对比

基于收集整理的太白山地区1959-2016年58年间的气象数据及太白山巴山冷杉林(Abies fargesii Franch.forest)的生理参数数据,运用Biome-BGC模型模拟计算并对输出数据进行提取分析,得到太白山南坡巴山冷杉林的多年净初级生产力(NPP)。然后分别利用自回归求和移动平均模型(ARIMA)、R语言、NAR动态神经网络模型对太白山南坡巴山冷杉林NPP的动态变化进行趋势拟合和短期预测,建立适用于太白山南坡巴山冷杉林NPP的时间序列模型,并应用白噪声检验等相关检验方法对3种模型的预测效果进行评价。结果显示:太白山南坡巴山冷杉林NPP在短期内(2017-2026年)仍保持着波动上升的趋势,可能出现1959年以来的最高值;在对巴山冷杉林未来变化的预测过程中,3种预测模型各有特点,ARIMA模型对太白山南坡巴山冷杉林NPP的预测结果通过了白噪声检验,并给出了在不同置信区间下的可能结果;NAR动态神经网络模型的拟合效果较好,也通过了误差自相关性检验,预测结果较好地模拟了太白山南坡巴山冷杉林NPP在未来一段时期内的变化趋势;R语言在剔除异常数据点后能够运用基础数据较好地对太白山南坡巴山冷杉林NPP动态变化进行模拟,表明预测结果与验证结果相关性达到0.944,误差项的P值远低于0.01。本研究表明3种方法构建的模型在数据拟合中均呈现出较好的效果,预测结果均在可信范围内,在实际预测工作中可根据数据特点选用不同方法。