基于时间序列的非周期预测模型

在实际应用中,纯周期性的数据相对罕见,大多数数据往往表现出非周期性特征,难以通过简单的周期性变化进行预测或描述。而单一神经网络在处理非周期性时间序列时往往面临过拟合、长时依赖捕获困难、非线性关系捕获有限等问题。为了有效地对非周期性时间序列进行预测,基于Informer模型提出了ILTNet模型。ILTNet模型结合线性预测(AR模型)和非线性预测(Informer模型与循环跳跃组件),能有效捕获长期依赖关系。实验证明,与LSTNet、Informer、AR以及GRU模型相比,ILTNet模型在非周期时间序列预测上表现出显著优势。例如,在Exchange Rate数据集上,ILNet模型相对于LSTNet模型,在步长为96和128时将RSE分别降低了0.0333和0.0277,相对于Informer模型在所有步长下,RSE均有显著降低,尤其是在步长为96时将RSE降低了0.2877。

基于多源数据的时间序列分析模型

该研究在对多源数据进行表征参数筛选的预处理基础上,依托多源数据时间序列分析体系,构建了数据管理预测模型,通过实际案例数据对模型的合理性和适用性进行了比较验证,同时进行了数据预测的精确性和平稳性检验。研究结果表明,多源数据时间序列算法训练时间达到5.4h左右即完成模型计算收敛,同时时间序列模型决定系数更大,产生了更稳定的预测值,且大多数预测集中在中值附近,其预测准确度较高,为98%。该研究的时间序列算法能够对多源数据突变的发展趋势进行良性捕捉,并对数据的突变响应做出及时预测。

深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

基于分解和频域特征提取的多变量长时间序列预测模型

针对现有基于Transformer的多变量长时间序列预测(MLTSF)模型主要从时域中提取特征,难以直接从长时间序列分散的时间点中找出可靠依赖关系的问题,提出一种新的基于分解和频域特征提取的模型。首先,提出基于频域的周期项-趋势项的分解方法,以降低分解过程的时间复杂度;其次,在利用周期项-趋势项分解提取序列趋势性特征的基础上,利用基于Gabor变换进行频域特征提取的Transformer网络捕捉周期性的依赖,提高预测的稳定性和鲁棒性。在5个基准数据集上的实验结果显示,与现有的先进方法相比,所提模型在MLTSF上的均方误差(MSE)平均减小了7.6%,最多减小了18.9%,有效提升了预测精度。

多变量时间序列中基于克罗内克压缩感知的缺失数据预测算法

针对现有算法在预测多变量时间序列中的缺失数据时不适用或只适用于缺失数据较少的情况,该文提出一种基于克罗内克压缩感知的缺失数据预测算法。首先,利用多变量时间序列的时域平滑特性和序列之间的潜在相关性从时空两个方面设计了稀疏表示基,从而将缺失数据预测问题建模成稀疏向量恢复问题。模型求解部分,根据缺失数据的位置特点设计了适合当前应用场景且与稀疏表示基相关性低的观测矩阵。接着,从稀疏表示向量是否足够稀疏和感知矩阵是否满足有限等距特性两个方面验证了模型的性能。最后,仿真结果表明,所提算法在数据缺失严重的情况下具有良好的性能。

基于Granger因果关系的多变量时间序列预测模型

时间序列数据包含内在的时序结构,而传统的针对多变量时间序列的预测方法没有考虑变量序列的历史观察值的影响。为此,提出一种基于Granger因果关系挖掘的多变量时间序列预测模型。通过选择有效的因变量并加入其滞后观测期来提高支持向量回归对目标序列的预测,同时也提供了较好的因果解释性。理论推导和实验结果表明,该方法不仅能获得比传统方法更精确的预测效果,而且减少了参与运算的变量时间序列。

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想,提出了一种电力短期负荷的多变量时间序列相空间重构方案,同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择,最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度,提出了最近邻域点的优化选择方法,建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比,具有较强的自适应能力和较好的预测效果。

基于多变量时间序列CAR模型的地下水埋深预测

为准确估计内蒙古河套灌区地下水埋深的变化规律,根据河套灌区沙壕渠灌域1988-2007年实测的地下水埋深、降雨、蒸发及引水量资料,基于多变量时间序列CAR(Controlled Auto-regressive)模型建立了地下水埋深的预测模型,并对模型进行了验证,并将模型在不同方案条件下进行了地下水埋深预测的应用。结果表明:河套灌区地下水埋深受到气候条件、引水量的影响较大。CAR模型预测效果良好,模型在沙壕渠灌域具有较好的适用性。预测方案显示,当区域蒸发量增加25%,降雨量减少34%,年引水量减少18%时,地下水埋深将达到2.21m。提出的研究方法和结果可为灌区灌溉用水管理提供参考。

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测。研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高。

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。

基于多变量混沌时间序列的冲击地压预测

考虑到冲击地压的混沌特征及其监测数据含噪且长度有限,基于多变量时间序列重构和GRNN模型来预测冲击地压监测变量。给出了多变量时间序列相空间重构理论和GRNN混沌预测原理,并提出采用遗传算法同时确定最佳重构参数和GRNN的光滑因子以保证预测精度。在Matlab2010a仿真环境下,将本文方法用于Lorenz系统以验证对含噪且长度有限的混沌序列的适用性,最后对微震能量和电磁辐射两类数据进行预测研究。结果表明:即使历史数据有限,多变量混沌序列预测方法也能提前预测出多个监测变量,从而实现冲击地压预报。

时间序列数据流的自适应预测

提出一种自适应预测方法AFStreams,综合了复杂人工智能预测方法和时间序列预测方法的优点,可以根据数据流值变化的快慢程度自适应地确定预测步长,在计算资源受限的前提下,形成最佳预测点轨迹．仿真实验证明,AFStreams能够良好地适应数据的变化,在计算复杂度和预测精度之间平衡,显著地提高了平均预测精度．

基于Storm的电网时间序列数据实时预测框架

对电网运行产生的时间序列数据展开实时预测研究,提出基于Storm平台和ARIMA模型的预测框架。分析不同类型电网时序数据的特点,预设拟合模型以降低模型构建的盲目性,缩短预测时间,同时设计基于HBase的新型时序数据存储模式加快数据检索速度。通过对海量的时序数据源进行并发预测,比较不同数据样本对预测值的影响并实时分析预测误差。经实例从预测精度、运算速度、占用资源3个角度验证了该框架的有效性与实用性。

基于多变量时间序列及向量自回归机器学习模型的水驱油藏产量预测方法

提出了一种基于多变量时间序列(MTS)及向量自回归(VAR)机器学习模型的水驱油藏产量预测方法,并进行了实例应用。该方法在井网分析的基础上通过MTS分析对注采井组数据进行优选,并将井组内不同采出井产油量及注入井注水量作为彼此相关的时间序列,通过建立VAR模型从多个时间序列中提取出相互作用规律,挖掘注采井间流量的依赖关系从而进行产量预测。水驱油藏历史生产数据分析结果表明,与数值模拟历史拟合结果相比,机器学习模型产量预测结果具有更高精度,同时不确定性分析提升了预测结果的安全性。通过脉冲响应分析对注入井的采油贡献量进行评价,可为注水开发方案调整提供理论指导。

基于虚拟变量与时间序列法的电量需求预测

在使用时间序列法预测电量需求的过程中,引入虚拟变量,量化关键不确定性因素对电量需求的影响,构建基于时间序列法和虚拟变量法的预测模型。该模型能够对参与回归的电量数据进行较好的平滑处理,从而更好地拟合电量需求的变化趋势。算例分析表明,使用该模型预测电量需求的准确性较高,在实际工作中具有可行性和有效性。

基于神经网络的多变量时间序列预测及其在股市中的应用

首先分别由开盘价、最低价、最高价和收盘价序列经小波变换得到在大尺度上的各自逼近序列 ,并由这些逼近序列进行相空间重构 ,得到各自重构相空间内的点 ,即矢量列 .然后将这 4个矢量列组合成一个维数更高的矢量列 ,作为神经网络的输入 ,对其进行训练 .最后用训练好的网络对 2 0 0 0年初的牛市行情中的上证指数波动趋势进行预测 。

短期负荷多变量混沌时间序列正则化回归局域预测方法

为提高短期负荷预测的精度,提出了多变量混沌时间序列正则化回归局域预测方法。选取对负荷影响程度最大的实感温度因素,构建了多变量时间序列。首先采用互信息法和最小预测误差法确定出时间序列延迟和嵌入维数,并依据确定的重构参数进行短期负荷多变量时间序列的相空间重构,针对局域预测法中邻近点个数少而不能满足最小二乘估计条件的问题,提出了基于正则化回归的多变量时间序列混沌局部预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明,该方法具有较强的自适应能力和较好的预测效果。

基于滑动窗口的多变量时间序列异常数据的挖掘

与其它多变量时间序列(MTS)子序列显著不同的子序列,称为异常子序列(含异常数据)。该文提出了一种基于滑动窗口的MTS异常子序列的挖掘算法,使用扩展的Frobenius范数来计算两个MTS子序列之间相似性,使用两阶段顺序查询来进行K-近邻查找,将不可能成为候选异常子序列的MTS子序列剪去,对上海证券交易所股票交易情况MTS数据集进行了异常子序列(含异常数据)挖掘,结果表明了算法的有效性。

基于多变量时间序列(CAR)模型的洞庭湖区域地下水资源量预测

为了预测洞庭湖区域地下水资源量的变化趋势,制定应对地下水资源量较低年份的有效措施,通过分析洞庭湖区域河川天然径流量、长江三口入水量、城陵矶出水量与地下水资源量的变化趋势和相关性,运用多变量时间序列CAR模型,建立了洞庭湖区域地下水资源量的预测模型,验证了模型的预测效果;并运用该模型对洞庭湖区域地下水资源量的变化进行了预测。研究结果表明,洞庭湖区域河川天然径流量、长江三口入水量和城陵矶出水量的变化是引起地下水资源量变化的主要因素;本研究所建的模型模拟值与实测值相对误差的最大值为-7.47%,平均值为3.63%,表明该模型的预测精度高、效果好;通过对未来10年洞庭湖区域的地下水资源量进行预测可知,其平均值下降了0.49亿m3,最低值下降了0.66亿m3,表明该区域地下水资源量仍将持续降低;据不同方案下的地下水资源量预测结果可知,通过增加长江三口入水量,可以有效提高洞庭湖区域的地下水资源量。

单变量时间序列预测:综述与评价

对目前常用的和较有发展前途的单变量时间序列预测方法进行了评述,分析了这些方法的长处和不足,并指出了一些值得研究的问题。