基于多周期趋势分解和两级融合策略的浪高预测方法

不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。

“2050年中等发达国家”收入标准的量化研究——基于长周期趋势外推和随机抽样推断原理的估计

本文根据全球化、人口变动和技术进步的长周期演变规律,将1951~2050年全球各国经济大体分为三个阶段,并应用长周期趋势外推和统计学中的随机抽样推断原理,将Conference Board世界经济数据库中1951~2015年经济指标数据完整的所有国家随机分成两组,分别以各国1951~2015年、1951~1985年及1985~2015年的GDP、人口和人均GDP年均增速作为基准情景、次情景1、次情景2,据此分两种口径推算出各国2050年的人均GDP,进而得到两组国家的两个统计量——2050年人均GDP上四分位数和排名前半国家的人均GDP均值。通过比较两组样本中以上两个统计量的统计值,将其组合相对稳健情景下的人均GDP均值作为全球2050年时的中等发达国家收入标准。推算出在较低标准、中性标准和较高标准下,2050年中等发达国家人均收入标准分别约为35000美元、40000美元和45000美元。

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

用周期趋势分析法进行年最高水位预报的探讨

利用周期趋势分析法进行预报，虽未联系其物理成因，但依靠预报对象本身的变化过程，在实际预报当中有一定的优点和参考价值。

周期趋势分析法预报年最高水位

文章以大辽河营口站年最高水位为预报对象,应用周期趋势分析法进行年最高水位预报分析,但是,本方法需要有60年以上的长系列资料方能得出趋势的变化过程。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

具有周期趋势的灰色系统模型的两步估计

本文将具有周期趋势的过程,通过把每个周期都加一个相应的量,把整个过程看成是目前一个周期内重复多次的数据.在此基础上先估计出模型相应的协方差阵,之后再估计其系数.此方法是对具有周期趋势的随机序列,给出了一个类似于重复试验的方式.这样就把序列看作是某一周期内重复多次的试验,如此就可以用统计的方法给出其相应的推断.经验证此模型能够较好地反映实际数据间的关系,因而,对实践有较好的指导作用.

我国鸡蛋价格趋势周期分解和冲击效应分析

为研究鸡蛋价格趋势周期和相关因素对鸡蛋价格波动的影响程度,采用B-N分解法对鸡蛋价格波动周期进行分解,用VAR模型研究了蛋鸡配合饲料价格、蛋雏鸡价格对鸡蛋价格波动的脉冲响应,同时采用方差统计比的方法,计算出随机冲击效应对鸡蛋价格的影响。研究结果表明:2000年1月—2014年12月的鸡蛋价格可以划分为8个周期,鸡蛋价格自身供求变化对于鸡蛋价格波动的脉冲响应达到69.37%,蛋鸡配合饲料、蛋雏鸡分别是11.70%、3.05%。短期内随机冲击对于鸡蛋价格波动的影响是100%以上,长期内随机冲击对于鸡蛋价格波动的影响为40%。

中国金融状况周期波动特征及趋势周期分解

本文基于RTV-DFM合成的金融状况指数(FCI)分析中国的金融状况,通过趋势周期分解试图揭示中国金融状况周期波动及长期趋势特征,并在此基础上进行预测。研究发现,本文合成的FCI很好地刻画了中国的金融状况,可作为金融经济变量的先行指标,中国金融周期与货币政策周期高度一致,随机性趋势与FCI趋势高度一致,周期性短期波动与FCI同步反向变化,市场情绪及投资者预期非理性掩护下的随机冲击是中国金融状况剧烈波动的原因。预测显示中国金融状况将渐进式"走出最坏,逼近光明"。

考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

基于周期性建模的时间序列预测方法及电价预测研究

时间序列数据广泛存在于人类的生产生活中,通常具有复杂的非线性动态和一定的周期性.与传统的时间序列分析方法相比,基于深度学习的方法更能捕捉数据的深层特性,对具有复杂非线性的时间序列有较好的建模效果.为了在神经网络中显式地建模时间序列数据的周期性和趋势性,本文在循环神经网络的基础上引入了周期损失和趋势损失,建立了基于周期性建模和多任务学习的时间序列预测模型.将模型应用到欧洲能源交易所法国市场的能源市场价格预测中,结果表明周期损失和趋势损失能够提高神经网络的泛化能力,并提高预测时间序列趋势的精度.

论我国政策市中股市周期与政策周期的互动关系

我国股市是一个政策市。在政策市中,政策周期对股市周期起着直接的决定作用。这种决定作用可以分为宏观政策的决定作用和股市政策的决定作用,不同层面的政策对股市的影响是不同的。股市周期对政策周期具有反作用,但是这种反作用对宏观政策影响不大,对股市政策能够产生一定的影响。从未来发展趋势看,在政策周期维持稳定运行的条件下,股市周期经过充分的调整,将有可能重新出现上扬的势头。

水文时间序列周期叠加预测模型及3种改进模型

自然界中水文现象常暗含周期性,基于这一特性,发展了水文时间序列周期叠加预测模型.介绍了水文时间序列周期叠加预测模型(POL),分析了水文时间序列周期叠加预测模型(POL)在某些特定条件下应用上的不足,并提出3种改进模型:趋势-周期叠加组合预测模型(TPOLC),压缩振幅的周期叠加预测模型(AC-POL),逆推优势周期的周期叠加预测模型(DPI-POL).这些模型可根据需要组合建模,并可广泛应用于相应类型水文时间序列建模.

基于时间序列谐波分析的死亡事故总量波动趋势分析

为了研究月度生产安全事故变化趋势中存在的长期平稳性和短期波动的周期性特征,采用Hodrick-Prescott滤波方法将自2011年1月至2017年11月的造成人员死亡(包括下落不明)的较大及以上生产安全事故月度时间序列分解为长期趋势和短期波动两个部分。采用最小二乘法对事故长期趋势序列进行拟合,建立了月度事故序列的长期趋势时域线性回归模型,用以研究事故序列的长期变化特征;采用快速傅里叶变换方法,分解得到事故序短期波动项在频域上的幅值谱和相位谱,研究了事故序列的幅值谱和相位谱。结果表明,月度较大及以上生产安全事故变化过程同时存在长期稳定和短周期性波动等2种趋势,其中长期下降趋势具有显著的线性特征,短期波动变化则包含多个频率变化周期,其中影响较显著的3个主要周期项分别为4.1个月、11.7个月和27.3～41个月。

从周期循环看1307点

在讲周期与趋势的关系时,我们曾讲过2个观点。一是“天不变,道亦不变”,意即在同一轮趋势中,市场会遵循一定的节奏运行,只要节奏不变,趋势亦不变,一旦节奏改变,即表明原来的趋势行将结束,或是已进入尾声。二是周期从清晰到混沌,再从混沌到清晰。清晰通常和牛市相连,混沌则和熊市相连。从清晰向混沌的转变往往预示着牛市的行将结束;反之,从混沌向清晰的转变则意味着熊市即将结束,牛市即将来临。正是从这2个原理出发,我们讲1307点的底部是本次熊市的有效低点,但还不是真正的牛市升浪的开始。

基于HP滤波法的我国农村电商物流业务量指数波动分析

农村电商物流是促进农村经济发展、加快电商物流发展的重点之一。本文根据文献研究,利用Census X12季节调整法以及HP滤波法分析2019年1月—2022年12月的农村电商物流业务量指数月度数据,揭示我国农村物流发展规律和周期趋势,以期通过明确农村电商物流业务量指数变动情况,基于分析做出总结,提出相关建议,为后疫情时期的农村电商物流发展提供一定的参考。

以丽江地震台为例研究潮汐观测仪器格值变化检测及格值归化方法

针对形变固体潮汐类观测数据,提出了一种新的检测仪器格值变化的方法,即潮汐因子相除法,并从理论上推导了利用此方法检测由于格值变化引起潮汐因子变化的原理,同时还提出利用格值变化时间前后M2波潮汐因子比值作为系数进行格值归化的方法。最后,结合丽江地震台水平摆实际观测数据,验证了格值变化检测和格值归化方法的可行性,并论述了在分析数据长周期趋势变化前需进行格值检测和归化的重要性。

动态数据拟合的叠合模型及其应用

对复杂现象的动态序列建模,一般单一模型效果不是太好,本文给出叠合模型的建模方法,着重讨论周期性趋势的叠合模型方法,并对其作了改进。文章利用改进的周期性趋势叠合模型对我国非典型肺炎临床诊断病人数作出了非常满意的拟合。

基于能量角追踪提高九龙江流域北溪汇流蓝藻后期预测精度

该文通过跟踪相对增长能量角的变化,建立能量角法模型(EA),解析逐时相对增长能量的最小单周期时间、达到最大值的时间和最大极限参数的变化角度,预测汇流蓝藻水华逐时单周期短期趋势;通过模型平均法建立非恒定指数组合生物平均模型(NCE_BMA),预测值(权重比MEA∶EA=0.7∶0.3)偏差小于7.5%,提高了后期预测准确性,有助于管理部门采取精准的管理措施。