多变量时间序列CAR模型在交通负荷短期预测中的应用

交通负荷是影响交通通行寿命和可靠度的一个重要因素,交通负荷变化具有明显的周期性。本文针对多变量定性计算的交通负荷难题,利用时间序列的多变量自回归CARMA模型对交通负荷进行建模、预测的理论和方法,对动态系统实行统一建模。我们用递推最小二乘法的多变量自回归模型对交通负荷参数进行估计,并用DPS系统对模型进行预测和分析,测试结果证明了方法的有效性。

基于2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

用多变量时间序列相关模型预测矿井涌水量

运用多变量时间序列分析方法，建立了南桐煤矿二井的涌水量与降雨量之间的相关模型，并将其用于矿井涌水量的预测。结果表明，南桐二井涌水量与降雨量呈滞后一个月、三个月和三年的关系。预测结果与实测值对比分析表明，本模型的预测结果精度较高。

基于多变量时间序列模型的大安市地下水埋深预测

依据大安市2000—2009年的降水、蒸发、地下水开采量和地下水埋深等数据资料,首先利用主成分分析法确定了与地下水埋深相关性较大的影响因素,然后利用多变量时间序列CAR模型建立了大安市地下水埋深预测模型,并对模型进行验证,利用模型预测了地下水埋深。结果表明,农业用水量、降水量和蒸发量与地下水埋深的相关系数分别为:0.56,0.46,-0.13,三者对地下水埋深的贡献率分别为:43.09%,27.45%,21.39%,总贡献率达91.93%,是影响地下水埋深的主要因素。CAR模型预测的承压水埋深和潜水埋深与实际观测值之间的相对误差不超过5%。根据预测方案,当降水量减少10%,蒸发量增加9%,农业用水量增加11%时,承压水埋深将达到8.70 m,潜水埋深将达到4.55 m。干旱时期应适当减少农业开采量,增加地表水灌溉,减小土壤沙漠化发生的可能。

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型。将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测。

基于多变量时间序列模型的中牟县地下水埋深预测

以中牟县2002—2014年地下水开采量、年降水量、年蒸发量、气温和年径流量的数据,利用Arcgis反距离权重插值法阐明中牟地下水近13年来时间与空间上的演化规律;用Spearman相关分析确定对中牟县地下水埋深影响较大的因素依次为地下水开采量、年降雨量和年蒸发量;建立地下水埋深预测模型,并将模型在3种方案条件下进行预测。结果表明:预测值与拟合值的相对误差均小于3.5%,模型预测效果较好。地下水开采量减少10%,年降水量减少5%,年蒸发量增加5%时,地下水埋深将达到7.77 m;地下水开采量减少15%,年降水量减少10%,年蒸发量增加10%时,地下水埋深将达到7.63 m;地下水开采量减少20%,年降水量减少15%,年蒸发量增加15%时,地下水埋深将达到7.48 m。

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.

基于地质变量时间序列的时变Logistic映射模型

为研究沉积过程动力学演化规律,从而有效地进行沉积矿产预测,提出待定线性组合时变Logistic映射模型及其识别和提取方法,对8个实际地质变量时间序列进行识别和提取,并与一般的非时变Logistic映射模型比较,其拟合系数有较大幅度提高,对地质变量时间序列所含的Lo-gistic映射模型的信号特征作了初步研究.

主成分-多变量时间序列模型及其在桥梁变形预测中的应用

建立科学有效的变形预测模型对确保桥梁安全运营具有十分重要的意义。据此,提出了基于主成分和多变量时间序列模型耦合的桥梁变形预报模型,采用苏通大桥实测数据对模型的拟合、预测精度进行了分析验证。采用主成分分析方法提取了累计贡献值达95.088%的三个对桥面变形有影响的主成分,建立了主成分-多变量时间序列模型。结果表明,该模型拟合精度优于多变量时间序列法,监测点dx,dy,dH三个方向的均方根误差分别为2mm、2mm、8mm,预测精度分别为3mm、3mm、6mm,可以识别出由于结构损伤所引起的位移10mm的异常变化。说明该模型对于桥梁桥面变形预测具有一定的有效性和适用性。

一类时间序列预报的双层引导变量模型

讨论了一类时间序列的预报问题，提出相应的双层引导变量模型及其辨识方法。通过应用实例，说明效果是良好的。

基于多变量非稳态时间序列模型的农业劳动力供给预测

文章利用多变量非平稳时间序列的状态空间模型对影响农业劳动力供给水平的因素进行分析,据此对2017—2026年的农业劳动力供给状态进行趋势预测。结果发现：不同时期内劳动力资源总量、耕地面积、经济发展水平、城乡收入差对农业劳动力供给的影响存在动态差异;劳动力资源总量对农业劳动力供给的影响具有长期显著性;耕地面积对农业劳动力供给的影响具有显著的时变性;农村经济发展水平和城乡收入差对农业劳动力供给水平的变化具有结构性影响;从时间序列看,2010—2026年,农业劳动力供给从长期过剩转变为供给不足,2017年以后农业劳动力供给量下降趋势平稳,劳动力供给与需求缺口进一步扩大。

基于多变量时间序列模型的锡林郭勒草原参考作物蒸散量预测

为探明各气象因素对锡林郭勒草原的参考作物蒸散量影响及对参考作物蒸散量预测,利用内蒙古锡林郭勒草原的6个国家级地面气象站点获取的气象数据与其计算得到的PM-ET0进行关联度分析,按照关联系数从大小排序分别建立基于多变量时间序列CAR(Controlled Auto-regressive)的CAR-ET0模型。结果表明:(1)各气象因子与PM-ET0关联系数呈现由荒漠草原区-典型草原区-草甸草原区过渡减小的分布,日最低气温、平均气温与PM-ET0关联度最小,平均日照时数与PM-ET0关联度最大,为0.7293。(2)处于草甸草原区、荒漠草原区、通过输入日照与气温两因子建立的CAR-ET0精度较高;典型草原区还需风速为模型第三因子。(3)通过模型预测精度验证,CAR-ET0模型预测精度总体高于HS-ET0与PMT-ET0方法,结合关联度分析可得出对当地参考作物蒸散量有显著影响的气象因子,可为锡林郭勒草原气象监测布设方案、参考作物蒸散量确定与草原生态恢复提供理论依据。

EGM-BP网络模型在单变量时间序列预测中的应用——以四川省GDP为例

利用GM(1,1)模型需要的数据少,而BP网络模拟精度高且适合非线性系统的特点,基于GM(1,1)模型的均值形式,以1980—2016年四川省GDP值作为原始序列,其累加序列、均值序列和前一历史序列作为输入向量,原始序列作为输出向量,进行BP网络训练,建立EGM-BP网络模型,提出了一种灰色神经网络的新方法。利用2014—2016年的GDP数据进行验证,发现EGM-BP模型对于单变量时间序列预测的精度比传统单一模型预测精度更高。

多变量时间序列的短期负荷预测模型及其方法研究

电力系统负荷预测是日常生活中电力系统调度部门的一项重要工作,预测精度的高低直接影响到电力系统的安全性、经济性和供电质量。混沌理论中,负荷预测模型的建立通常由单变量时间序列的相空间重构来实现,但实际过程中往往难以确定是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了预测模型。研究结果表明多变量时间序列的预测效果有较大提高。

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。

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。

基于时间序列分析法的医院月门诊量预测模型

目的 分析影响医院月门诊量的主要因素,提高医院月门诊量预测工作准确性,提高科学预见性. 方法 采用X-11季节调整方法、引入虚拟变量拟合趋势直线方程,剔除趋势后建立ARIMA模型,预测医院的各月门诊量,并与月门诊量时间序列直接建立的ARIMA模型进行比较. 结果 趋势模型3个参数的拟合系数均很显著,以残差序列所建立的ARIMA模型的参数也均是显著的. 结论 剔除季节因素和趋势因素建立的ARIMA模型,对时间序列进行拟合的结果远远优于直接对月门诊量建立的ARIMA模型的拟合结果.ARIMA模型更适合于做短期预测,对剔除季节因素和趋势因素的平稳时间序列以ARMA模型拟合后,再合成季节因素和趋势因素的模型所做的中长期预测精度高.

一种基于序列到序列模型的时间序列插补

多变量时间序列通常包含缺失值。针对如何利用不完整的信息探索复杂的丢失模式进而修复多变量时间序列的丢失值,提出了连续初始化的序列到序列模型(successively initialized sequence-to-sequence model,SISSM)。在SISSM模型中,为了增强对时间依赖性和变量相关性的模拟能力,设计了交叉回归器并结合门控递归单元(gated recurrent unit,GRU),作为编码器的递归分量来学习历史信息代表性;改进了传统的GRU作为解码器的递归分量以生成插补值;并提出了一种状态初始化方法以缓解生成序列中的误差累积现象。在两组真实的临床数据集上进行了仿真实验。实验结果表明,相比于其他算法,SISSM可以更好地实现多变量时间序列的缺失数据插补。

基于ARIMA时间序列模型的传染病发展趋势预测——以COVID-19 为例

近年来,多种新发传染病的流行和爆发,对全世界各国造成了严重危害。因此关于传染病未来发展趋势的预测和研究具有重要的意义和价值。时间序列模型是基于目标变量随时间变化且相互关联的历史数据,通过曲线拟合和参数估计等方法来客观研究和预测目标的变化趋势的数学模型。本文以新型冠状病毒为例,基于某个国家疫情发展相关的时间序列数据,通过数据处理、曲线拟合、参数估计等过程,经反复试验,建立ARIMA(1,2,1)时间序列预测模型,以预测其未来一段时间的传染病发展趋势,并对模型的合理性进行检验。以此来探讨ARIMA时间序列模型在传染病未来发展走向的预测中的应用方法与研究价值。

货币供应量与工资对物价的影响分析——基于时间序列回归模型

为了研究货币供应量M1与职工平均工资水平的波动对物价波动的影响关系，通过建立时间序列回归模型得到了影响物价波动的长期均衡模型。因为长期均衡模型检验结果不够显著，所以引入时间段的虚拟变量，对长期模型进行、修正。然后进行取对数、添加滞后项、逐项回归等模型修正得到检验效果较好的模型。并得出结论：我国货币供应量M1与职工平均工资水平的波动对物价CPI的波动存在显著影响。由于工资的长期乘数要大于货币供应量的长期乘数，表明工资对CPI的影响要大于货币供应量对CPI的影响。