基于最大互相关的对流云预测

传统上利用卫星云图做降水都是根据已知的卫星云图中的通道信息来进行降水量的估算。因此,利用卫星云图仅仅做到了降水量的估算。本文利用图像的最大互相关以及线性外推对未来的卫星云图进行预测,并取得较好的结果,从而能够利用云图进行降水量的预报。

基于气象参数的逐时建筑热负荷云预测

针对现有建筑热负荷预测精度不高和随机泛化能力不强的问题,在考虑短时热惯性因素情况下,对建筑热负荷影响因素进行Spearman秩相关性分析,借助K-mean聚类归纳热负荷预测多维多规则云推理发生器,以室外温度、太阳辐射作为规则前件输入,进行气象参数下基于正逆向云算法的建筑热负荷云预测。结果显示基于聚类的多维多规则云预测在保证预测可靠前提下,预测精度和随机泛化能力均得到提高,平均相对误差为3.72%,相较不分类多维单规则精度平均提高了76.12%,结果可为精细化供热、节约能源提供支持。

太阳能场景下天空成像仪的云覆盖预测研究

文章解析了天空成像仪的原理和工作方式,揭示了其在太阳能光伏场景监测中的优势与局限性,综述了云覆盖预测技术的研究现状,分析了基于天空成像仪的实时云覆盖预测技术研究方法,并通过实验设计和结果分析,强调了基于天空成像仪的实时云覆盖预测技术在提供准确、实时气象信息方面的潜力,为清洁能源领域的气象监测与预测提供了新的视角和技术支持。

基于EMD-TCN的云资源预测研究

云计算资源的负载预测有助于数据中心灵活智能地配置资源,保障数据中心安全平稳运行。该文提出一种基于经验模态分解和时间卷积网络的云资源组合预测模型,使用历史的资源负载预测未来的资源需求。对负载进行经验模态分解,以降低原云资源负载序列的复杂度,得到反映原负载序列趋势和变化信息的本征模态分量和残余分量;将这些分量构造后输入到时间卷积网络中进行建模预测。以Google集群数据集中的CPU负载序列为例,将该模型与常用的云资源预测模型进行对比验证。实验结果发现,相比于长短时记忆网络和时间卷积网络,该模型在平均绝对百分比误差指标上降低了36.32%和35.37%,预测精度有了明显提升。

基于WVMD-BCGRU-ATT的云资源预测研究

云资源预测能够增强数据中心的超前部署能力,但云资源的负载时间序列具有非周期性和周期性的变化模式,以及高度非线性且不稳定的特点。为准确分析云资源的负载变化,提高云资源中CPU负载的预测性能,提出一种基于分解—预测的组合模型。该模型在分解部分,为自适应获得较为平稳的多个分量,基于变分模态分解对原有时间序列进行分解,并提出将最小化样本熵作为鲸鱼优化算法的目标函数,代理搜索变分模态分解关键参数。在此基础上计算分量方差贡献度和相关系数,分别对高频和低频分量中的干扰分量进行剔除。在预测部分采用一维卷积层进行特征提取,利用BiGRU对序列的前后特征以及时间依赖关系进行学习;最后加入注意力机制层,以得到更为准确的预测结果。在阿里公开数据集上进行实验,发现与GRU、CNN-BiLSTM、GRU-LSTM和WVMD-BCGRU模型相比,所提模型的均方根误差分别下降了20%、14%、7%和3%,具有更高的预测精度和更为稳定的预测性能。

云支持的分层式车辆队列预测性巡航控制

为了提升队列行驶的经济性,提出了一种高速公路场景下的云支持的队列预测性巡航控制方法(CPPCC),并进行真实道路和车辆数据模型的仿真实验。该方法采用了分层式结构,上层为云端的队列速度规划层,下层为队列稳定控制层。云端的速度规划层,考虑了道路坡度的滚动域的动态规划(RDP)算法,实现队列行驶的经济性目标。下层的车端队列稳定控制层,搭载了分布式模型预测控制器(DMPC),来跟踪云端发送速度,同时考虑了队列的稳定控制。结果表明:与传统的前车与领航车跟随的定速巡航队列(PLF-CC)方法相比,在行驶时间减小0.24%的前提下,本文所提出的方法节省6.04%的能源。

卫星云图预测的运动矢量方法

现有的云迹风提取方法只提供了对云覆盖的简单二值灰度估计 .该文利用运动矢量估计的思想提出了一种云覆盖 (云图 )预测的新方法 ,这种方法可实现对卫星云图的灰度预测 .这种新的方法是通过将一幅 GMS云图分割成为许多大小相同的小块 ,并将它们分别匹配到一幅参考云图中以获取云的运动矢量 ,进而实现对卫星云图云覆盖的量化预测 .进而还对该方法进行了优化 ,从而提高了算法运行速度 .并对算法实现中出现的“马赛克”问题提出了解决方法 ,获得了令人满意的效果 .

基于卷积网络与支持向量机的云资源预测模型

云原生容器生态系统的快速发展,推动了更多应用程序在云端落地.容器云作为承载业务的分布式系统支撑平台,需要进行及时准确的资源分配与调度管理.为了提升容器云面对负载变化的弹性应对能力,提出一种基于卷积网络与支持向量机的云资源预测模型,依据需求预测为资源管理提供前置响应.模型利用卷积网络深度捕获时序数据的特征信息,通过遗传算法与组合核函数优化支持向量回归进行预测.在Google云计算中心数据集的实验表明,该模型的预测精度与稳定性优于现有云资源预测方法.

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,提出一种基于WasserStein生成对抗网络(WasserStein generative adversarial network with gradient penalty,WGAN-GP)和双向门控循环单元网络(bidirectional gate recurrent unit,BiGRU)的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明:使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。

基于变分模态分解与门控循环单元网络的云资源预测

云供应商为用户提供所需资源,分配不足可能会导致服务质量下降,分配过度则会导致资源浪费,因此准确预测资源使用情况至关重要。由于用户使用云资源的情况各不相同,不确定因素多,时序数据往往伴随着高随机性和非平稳性的特点,增加了预测的难度。为了捕获非平稳性数据更多信息,提高云资源使用情况的预测精度,提出基于变分模态分解(VMD)算法和门控循环单元(GRU)网络的预测模型(VMD;GRU)。首先将原始时序数据通过VMD算法分解成多个相对平稳的模态分量;再将蚁狮优化(ALO)算法集成到GRU模型中去,分别对分解后的本征模态分量进行预测,利用优化算法自适应地选择最优参数;最后整合每个分量的预测结果得到最终的云资源使用情况预测结果。在公开数据集上进行预测,并与未优化的GRU、差分自回归移动平均(ARIMA)和反向神经网络(BPNN)等进行对比。CPU利用率预测的实验结果表明,与并未分解且未优化的GRU模型相比,所提出的模型在预测精度上有48.1%的提升,验证了该方法的有效性。

基于Holt-Winters及长短期记忆的云资源组合预测模型

云资源的预测分析对于响应资源请求并及时做出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题,为使云资源的预测能够为工作负载的需求提前响应并做出合理分配,提出了一种基于Holt-Winters和长短期记忆神经网络(long short-term memory,LSTM)(HW-LSTM)的云资源组合预测模型,并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明,提出的组合模型比Holt-Winters、LSTM及卷积神经网络(convolutional neural networks,CNN)模型预测性能及稳定性更好,均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对比例误差(mean absolute scaled error,MASE)、方差D(n)优化范围分别为0.065~1.026、0.023~0.269、0.001~0.007、0.004~0.039和0.079~4.125。

改进鲸鱼算法在云计算资源负载预测中的应用

为了解决传统云计算资源负载预测方法对负载序列高频分量预测精度不高和泛化能力弱的缺点,提出一种混合小波包变换和正余混沌双弦鲸鱼优化(CSCWOA)算法优化多层感知器神经网络(MLP)的短期云计算资源负载预测方法。通过小波包变换对负载序列进行多频段预处理分解,然后采用CSCWOA算法优化的MLP神经网络,对单支重构所得的负载子序列进行预测;最后叠加各子序列的预测值来获取实际预测结果。实验结果表明,该方法能掌握负载序列各频段冲击毛刺的变化规律,具有较好的预测精度和泛化能力。

基于云模型的短时交通流预测

对云模型的理论知识进行说明,提出用云模型建立短时交通流预测模型,采用成都市路口实测的实时数据,通过平均误差以及平均绝对误差指标(分别为36.5辆和4.8%)来验证基于云模型的短时交通流预测的可行性、实时性以及准确性。

房地产价格影响因素分析及预测

文章选取了12个对房地产价格有影响的因素指标,对各变动因素进行因子分析,最终提取了2个因子,运用层次分析法对影响因素指标值进行加权计算综合得分,证明我国房地产价格呈逐步上升趋势。从定性的角度考虑,根据定量与定性相互转化的方法,基于房地产价格的产生具有随机性,而房价高低的概念是模糊的,文章引入一个二维多规则云模型,使之在定性和定量相结合的基础上,对房地产价格做出了预测。

灰色趋势灾变预测及其在数据挖掘中的应用

分析了数据库中由异常数据组成的小样本序列的特点 ,给出了灾变序列的定义 ,结合系统云灰色预测模型 ,提出了灰色趋势灾变预测的方法 ,对灰色趋势灾变预测在数据挖掘中的应用进行了研究 ,给出了对数据库中“贫”信息数据序列进行数据挖掘的步骤 .以全国旱涝灾害数据为研究对象 ,对全国水灾年份进行了预测分析 ,其预测结果与实际现象相符 .

基于最优加权组合模型的体检人数预测研究

目的对福建省某医院体检人数进行预测,为医务人员和医疗设备的合理配置提供理论依据。方法针对单一系统云灰色模型和多项式回归模型存在的不足,建立了一种基于最优加权组合的体检人数预测模型。以福建省某医院2009—2016年各季度体检人数为基础,考虑各季度体检人数的分布特性,采用两个单一子模型对体检人数分季度进行预测;通过最优加权法得到各模型的权值系数,构建组合预测模型,并采用实际数据进行对比分析,预测未来几年内各季度的体检人数。结果该院2017—2019年各季度体检人数呈逐年上升的趋势,2017—2019年的年体检人数预测值分别为108 858、114 663和124 150人。结论最优加权组合预测模型比单一系统云灰色模型和多项式回归模型具有更高的预测精度,为医院体检人数预测提供了一种新的方法,也可为医院的科学决策提供参考。

地震云成因机理——兼论人体科学与地震学研究

本文系统阐述地震与气象的几个关键性科学问题,以及地震云与全球地震活动,对地震云成因机理进行了探讨,系统分析了地震云与地震预测理论与技术,最后系统分析了人体科学与现代地震学研究前沿科学问题,人体科学将成为一种新的地震预测灾难的手段,人体科学将为国家的防灾减灾事业增添新理论、新方法、新思路。

基于SCGM(1,1)c-Markov模型的茶叶产量预测研究

为了提高茶叶产量的预测精度,以单因子系统云灰色预测模型[System cloud grey model,SCGM(1,1)c]为基础,提出基于马尔可夫预测理论修正的SCGM(1,1)c-Markov预测模型。首先,阐述SCGM(1,1)c预测模型的建模过程;其次,结合SCGM(1,1)c与马尔科夫预测理论的优点构造SCGM(1,1)c-Markov预测模型;最后,以2006—2020年浙江省茶叶产量的实际数据为样本,使用以上2种模型分别进行预测计算,并作相应预测值的拟合曲线图。结果表明:经过马尔可夫预测理论修正的SCGM(1,1)c-Markov模型的预测精度和拟合性较SCGM(1,1)c预测模型精度有大幅度提高,为茶叶产量的预测研究提供了一种新的方法。

基于MBSE的智能汽车信息物理系统建模方法

智能车辆信息物理系统(IVCPS)可以基于道路和车辆信息资源实时控制车辆的运行轨迹,在降低车辆能耗方面具有很大潜力。然而,目前对基于云的预测巡航控制(CPCC)体系结构的研究忽略了体系结构实现和应用的可行性,没有对体系结构的合理性进行验证。为建立IVCPS体系结构与应用验证之间的联系,促进IVCPS多领域、多学科协同设计、联合仿真、系统集成,提出了基于模型系统工程(MBSE)的IVCPS建模方法。首先,构建了IVCPS的整体分层体系结构,明确了各层体系结构的构成要素。然后选择系统建模语言(SysML)作为建模工具,构建了需求-功能-逻辑-参数(RFLP)建模框架。最后,以IVCPS云预测巡航控制系统为例,利用RFLP框架对CPCC系统的需求、功能、逻辑和参数进行建模和分析。模拟结果证明MBSE可以实现对CPCC系统的需求分析、功能分解、逻辑架构设计和系统参数标定进行统一建模,促进CPCC系统理论架构的仿真验证,并能够测试、分析CPCC架构对于智能网联汽车的运行轨迹优化和油耗降低效果。本研究旨在为提高IVCPS系统建模的交互性、可重用性和兼容性奠定基础。

考虑输电线路故障特性的电网综合风险评估体系

输电线路在电力系统中承担着输送电力的重要任务,其故障特性具有随机性和模糊性,对电网安全运行具有重大影响。提出一种考虑输电线路故障特性的电网综合风险评估体系,建立基于云模型的输电线路故障概率预测模型,由输电线路状态评估数据生成正态分布云滴,从而预测输电线路故障概率;基于效用理论构建一套包括广义负荷损失、潜在连锁故障、电压越限和系统稳定指数的电网综合风险评估指标体系,能够扫描电网运行薄弱环节。以实际电网为算例,验证了考虑输电线路故障特性的电网综合风险评估体系的有效性和实用性。