基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

基于中断时间序列和分段线性回归法分析公立医院绩效考核对平均住院日的影响

目的 研究推行公立医院绩效考核对医院平均住院日的干预效果。方法 收集天津某医院2017年1月—2021年12月的平均住院日数据,以2019年7月医院全面启动公立医院绩效考核为干预措施,采用中断时间序列(interrupted time-series, ITS)设计的分段线性回归(segmented regression analysis, SRA)方法对推行公立医院绩效考核前后全院平均住院日变化进行分析。结果 推行公立医院绩效考核后平均住院日呈明显下降趋势,每月降低0.16 d,比公立医院绩效考核推行前每月降幅增加了0.10 d,平均住院日由2017年1月9.10 d下降至2021年12月的4.79 d。结论 推行公立医院绩效考核对医疗效率有显著的提升效果。

基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法;利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值;实验证明该方法可精准预测不同类型绿色建筑的短期供暖能耗,在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小,预测的可决系数较高,即预测精度较高。

间歇性时间序列数据多目标决策挖掘算法设计

时序数据规模化存储能大幅度提升经济效益,但传统挖掘算法无法从海量数据中提取有效信息。为解决上述难题,通过对数据进行优化处理,提出一种MAD-SVR时序数据回归预测算法。算法首先对大数据进行标准化处理,并通过极值点分析与剔除,提升数据的有效性;然后采用多目标MIC相关性分析方法,提高对标准时序数据的间歇性特征提取能力;接着利用AHP层次分析量化指标,获取最优簇N,并基于DIANA算法完成时序数据聚类优化过程;最后通过十折交叉验证的方式,构建SVR时序数据回归预测模型,完成预测结果输出。不同叠加模型的仿真对比结果表明,较其他模型相比,MADSVR模型的MAPE参数整体减少了53.89%,R^(2)参数增加了5.99%,且RMSE参数至少下降了12.31%,即其该模型的拟合度最高,预测能力最优,且预测真实占比有较大提高,但预测真实占比误差偏离度尚有优化空间。综上,MAD-SVR算法在海量时序数据挖掘中具有重要的仿真研究价值。

某三甲中医医院ICU感染发生率时间序列分析及趋势预测

目的:了解某三甲中医医院ICU感染发生率的时序分布特征,预测其发生规律和趋势,为中医医院ICU感染监测提供数据支持。方法:收集某三甲中医医院2019年1月至2024年2月ICU医院感染数据。利用求和自回归滑动平均模型(Autoregressive integrated moving average,ARIMA)对ICU感染发生趋势进行预测并评价其预测效果。结果:2019年1月至2024年2月某三甲中医医院ICU医院感染发生率为2.61%(232/8895);时间序列分析显示,ICU医院感染发生率波动较大且存在一定周期性,总体呈下降趋势。根据赤池信息准则和贝叶斯信息准则拟合,ARIMA(0,1,1)为最优预测模型。经参数估计与效果评价,感染发生率实际值均在预测值95%可信区间内,模型预测效果较好。结论:运用ARIMA对某三甲中医医院ICU医院感染发生率的预测结果良好,可显示其长期发生规律与趋势,能为医院感染监测提供科学依据。

基于AR与DNN联合模型的地理传感器时间序列预测

地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。

日间手术对平均住院日影响的中断时间序列分析

目的 探讨日间手术的实施对医院平均住院日的影响。方法 从湖北省某三甲医院日间手术管理系统中调取全院、泌尿外科、眼科及耳鼻喉头颈外科2013年1月至2019年12月的平均住院日数据,采用中断时间序列模型分析日间手术实施前后各科室平均住院日的变化趋势。结果 日间手术的实施使全院、泌尿外科、眼科及耳鼻喉头颈外科平均住院日分别下降1.665 d(P<0.05)、3.501 d(P<0.05)、2.840 d(P<0.05)和5.767 d(P<0.05),其中,日间手术前平均每月分别下降0.026 d(P<0.05)、0.001 d(P=0.856)、0.004 d(P=0.425)和-0.005 d(P=0.383),日间手术后下降幅度分别增加了0.030 d(P<0.05)、0.073 d(P<0.05)、0.058 d(P<0.05)和0.104 d(P<0.05)。结论日间手术的实施可有效缩短平均住院日,提高医疗资源利用率。

基于自回归模型的RBCC隔离段激波串位置识别与压力值预估

为了清楚客观地判断火箭基组合循环发动机(Rocket-based combined-cycle,RBCC)隔离段激波串位置,将Ma=6,4,3.5工况下直连试验中实测得到的RBCC隔离段测压点压力数据按照时间的先后顺序排列形成一时间序列,建立自回归(Auto-Regressive,AR)模型并计算赤池信息准则(Akaike information criterion,AIC)值,完成了不同工况下激波串前缘位置的识别。研究表明:当隔离段测压点没有受到激波串影响时,实时压力值仅存在微弱波动,模型AIC值变化较为平稳;当激波串运动至测压点处时,该点压力升高,振荡幅度明显增加,AIC值随之瞬时增大。取同一时间段内发动机沿程测压点中首个AIC值增加500以上,并在不改变工况的情况下始终保持较大值的测点位置为激波串前缘位置。与压比法相比,时间序列分析法能敏感监测到实时压力值的升高和振荡,激波串前缘位置识别更为准确。通过建立自回归模型还可以实现激波串内部压力值预估,记录连续160 ms内Ma=6,4,3.5工况下测压点压力数据,采样频率1 kHz,使用前80 ms数据建立自回归模型,完成后80 ms压力值预估及准确性检验,得到三个工况下预估平均误差分别为3.21%,7.68%,6.49%。

时间序列自回归模型预测茶园小绿叶蝉种群动态的探讨

选定西湖龙井茶叶原产地的优质丰产茶园、普通丰产茶园、山林间茶园、种质资源圃和茶-林间作等5类代表性茶园,从2007年4月20日～12月26日,5 d 1次调查假眼小绿叶蝉种群数量,作为时间序列自回归模型的数据源。据此对自回归模型预测假眼小绿叶蝉种群动态的可行性、建模步骤及准确性验证进行了探讨。与其他相关预测模型相比,自回归模型显得简便易行实用。

遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法,可同时优化门限值和自回归系数,解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明:通过门限值的控制作用,TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息,限制了模型误差,保证了TAR模型预测性能的稳健性,提高了预测精度。该方法具有通用性,在各种气象非线性时序预测中具有广泛的实用价值。

时间序列的自回归模型在杨凌地区降水量预报中的应用

对平稳时间序列的理论和方法,自回归模型[1]的概念,定阶,模型建立,预报,平稳性进行了综述。通过对杨凌张家岗气象站1935—1955年的四季降水量建立自回归模型,利用所求得的模型对1956年的四季降水量进行了预报。结果表明,该模型对冬季降水量预报效果最好,接下来依次为秋季、夏季、春季。因此平稳时间序列预报方法适用于预报变化比较缓和、持续性和周期性比较好的天气,对变化剧烈的天气和转折性的天气的预报能力较差。

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

基于带回归权重RBF-AR模型的混沌时间序列预测

提出了用带回归权重的径向基函数(radial basis function,RBF)网络来逼近状态相依自回归(autogressive,AR)模型中的函数系数,得到了带回归权重的RBF-AR模型。在这种模型中,RBF神经网络的输出权重已不是单一的常量,而是输入变量的线性回归函数。一种快速收敛的结构化非线性参数优化方法被用来估计提出的模型,辨识出的模型用来预测两组著名的混沌时间序列:Mackey-Glass时间序列和Lorenz吸引子时间序列。实验结果表明,提出的模型在预测精度上要优于其他一些现存的模型。

基于分段特征提取的仿真模型结果验证方法

校核、验证与确认(verification,validation,and accreditation,VV&A)是保证仿真模型可信度的关键手段,其中模型验证是核心环节。针对导弹飞行仿真模型结果验证存在的参考数据不可获得、参考数据来源多样、专家验证主观性强等问题,提出一种基于时间序列分段特征提取的导弹飞行仿真模型结果验证方法。提出了一种综合的时间序列分段线性方法,由基于二阶导数提取趋势边缘点的线性分段算法和基于极值点优化的Top-Down线性分段算法两部分组成,以实现对导弹飞行仿真数据和参考数据进行有效的线性分段表示。基于上述分段结果,对各段时间序列的均值、方差、斜率等特征进行提取,以辅助专家进行验证,从而降低验证中的主观性;或者直接利用TIC系数法、动态时间规整(dynamic time warping,DTW)等方法进行客观的相似性分析。通过充分利用时间序列的分段特征,可实现各种情形下的导弹飞行仿真模型结果验证。通过一个导弹模型结果验证案例演示了所提方法的可行性和有效性。

基于时间序列豆粕期货价格影响因素分析

豆粕是连接农业和畜牧业的主要产品,在农业和畜牧业中发挥着重要作用。随着我国经济的迅猛增长,民众生活品质得到显著提升,对养殖产品的需求越来越大,对豆粕的需求量也急剧增加。期货的价格发现、规避风险和资产配置的功能特征决定了研究期货价格的重要意义。通过选取2022年1月4日到2022年12月30日大连商品交易所豆粕期货主力合约的各项数据指标,选用多元回归模型对豆粕期货时间序列进行建模,根据建立回归模型的优劣效果分析豆粕期货价格的影响因素,即豆粕的最低价和收盘价会对豆粕期货价格产生影响,以及它的替代品玉米和豆一的收盘价会产生正向影响,而豆一的成交量提高,豆粕期货价格则会降低,由此提出相关建议。

基于时间序列RBF的大连港货物吞吐量预测

引言大连港是我国东北地区主要的海上门户。随着我国振兴东北战略的实施推进,港口货运量也随之增多,对港口建设和运营提出了新标准,因此,为提高港口作业效率和增强竞争力,精准预测港口吞吐量对于港口规划、建设及运营至关重要。目前,用于港口吞吐量的预测方法众多,其中最主要是灰色预测法[1]、回归预测法[2]、时间序列法[3]及神经网络法[4]。灰色预测法,对于数据量少的系统,效果显著。回归预测法对数据量少的样本拟合效果好。神经网络法有较强的非线性映射能力和适应能力,但需要大量的数据训练。时间序列法对于呈线性分布的数据能较好挖掘其规律,但需要较多的样本数据。由于预测模型间各有优劣,因此本文提出时间序列法与神经网络法相结合的时间序列RBF预测模型组合模型[5-6],结合两种模型的优点,同时弥补各自的缺点,有一定的先进性,旨在为港口货物吞吐量预测提供新方法。

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念,对医院的季节性时间序列资料建立了周期自回归预测模型,其分析结果较为满意。

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型。但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunctionmodels)。与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构。在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考。