季节性差分时空地理加权回归在HFRS分析中的应用

为了更好地利用模型对湖北省肾综合征出血热(Hemorrhagic fever with renal syndrome,HFRS)发病率数据的时间和空间分布进行拟合和预测,本文基于传统的时空地理加权回归模型(Geographically and Temporally Weighted Regression model,GTWR),引入时间序列中的季节性差分方法,同时采用空间自相关法优化模型中的带宽参数,构建了季节性差分时空地理加权回归模型(Seasonal Difference-Geographically and Temporally Weighted Regression model,SDGTWR)。研究结果表明,经过季节性差分优化的GTWR模型拟合精度要优于传统的GTWR模型及最小二乘法模型(OLS)和地理加权模型(GWR)方法。

基于季节性差分整合移动平均自回归模型的城市公交短期客流预测

为了解决公交车辆过载及空车浪费资源并存问题,提高城市公交服务质量水平,基于公交客流季节性波动及周期性变化特征,构建季节性差分整合移动平均自回归模型,并对城市公交短期客流进行预测;以山东省青岛市K1路公交线路刷卡数据为模型样本,对非平稳的客流时间序列进行1阶7步差分处理,对差分后的数据进行平稳性检验;通过相对信息量计算,确定预测模型中未知参数,对差分处理后的时间序列进行标准化残差检验,检验结果为白噪声序列,得到周期为7的季节性差分整合移动平均自回归预测模型;利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明,模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高,适用于青岛市公交短期客流量预测。

基于季节性(差分整合)自回归移动平均模型的广西乙类传染病发病情况预测

目的应用季节性(差分整合)自回归移动平均(SARIMA)模型预测广西乙类传染病发病情况。方法将2011年1月至2022年5月广西乙类传染病月报告发病数据作为训练集构建时间序列,拟合和构建SARIMA预测模型;以2022年6月至11月的广西乙类传染病月报告发病数据作为测试集对模型进行测试。结果广西乙类传染病的发病情况呈季节性规律,最优预测模型为SARIMA(3,1,3)(2,0,0)_(12),其预测效果平均相对误差为7.99%,预测发病例数95%CI均包含了实际发病例数。结论SARIMA(3,1,3)(2,0,0)_(12)模型能较好地拟合广西乙类传染病的发病情况,可用于疫情的短期监测。

2010-2018年河南省南阳市手足口病季节性差分自回归滑动平均模型预测

目的应用时间序列分析构建河南省南阳市手足口病发病预测模型,为制定防控策略提供科学依据。方法收集2010—2018年河南省南阳市手足口病月发病数据建立时间序列,应用专家建模器构建季节性差分自回归滑动平均(SARIMA)模型,对2019年发病情况进行预测,并与实际值进行比较。结果2010—2018年南阳市手足口病月发病率呈明显季节性,专家建模器构建结果显示,ARIMA(2,0,0)(0,1,1)12为最优模型,平稳R^(2)为0.827,RMSE为2.240,MAE为1.207,BIC为1.755。模型对2019年发病情况预测结果显示,预测值与实测值整体变化趋势一致,相对误差绝对值最小为0.01,最大为-6.14。结论SARIMA模型能够较好地拟合南阳市手足口病发病情况,并预测未来发病趋势,为防控工作提供理论依据。

季节性差分自回归滑动平均模型在上海市道路交通伤害预测中的应用

[目的]探讨季节性差分自回归滑动平均(SARIMA)模型预测道路交通伤害的可行性,为掌握上海市交通伤害趋势提供依据。[方法]利用EVIEWS软件对2000—2009年上海市道路交通伤害死亡的季度数据进行SARIMA模型拟合,并利用2010年数据对预测数据进行验证。[结果]上海市道路交通死亡具有明显的季节要素,趋势要素呈逐步下降趋势;对原始图形识别后,综合考察几种模型拟合优劣,最终采用SARIMA(2,1,0)(0,1,1)4,其能很好地拟合上海市道路交通伤害死亡情况。2010年4个季度死亡率预测值分别为1.49/105、1.74/105、1.93/105和2.06/105,实际值均在预测区间内,残差也显示为白噪声序列。预测结果较好。[结论]SARIMA模型是一种能较好地预测道路交通伤害趋势的工具,可为预防与控制道路交通伤害提供决策依据。

基于SARIMA模型的城市热岛季节性时序预测研究

针对目前出现的极端气候问题,本研究引入SARIMA季节性时序预测模型来预测城市热岛。首先利用单窗算法进行地表温度反演并进行精度验证;然后采用SARIMA模对地表温度进行拟合和未来温度变化预测。基于季节性差分自回归移动平均模型,结果表明SARIMA模型的城市热岛季节性时序拟合和预测效果具有较高的可靠性和准确性。

北京市东城区2009—2019年蝇类生态学监测结果分析及其预测方法探讨

目的 掌握北京市东城区2009—2019年蝇种类、密度、分布及其季节消长规律,探讨基于生态学监测的蝇类密度预测方法,为东城区蝇类预测与科学防控提供依据。方法 收集整理东城区2009—2019年蝇类生态学监测数据并进行分析;利用MATLAB R2018b软件构建的季节性差分自回归移动平均模型(SARIMA)对2019年4—10月的蝇类密度进行预测并与实际监测值进行比较,验证模型预测效果。结果 2009—2019年东城区各生态学监测点蝇类年平均密度为7.09只/笼,优势蝇种为麻蝇科,占捕获蝇总数的56.82%,占比超过5%以上的蝇种类依次为厩腐蝇(11.74%)、家蝇(10.17%)、丝光绿蝇(8.99%)和大头金蝇(6.93%);不同生境中,宾馆饭店蝇类密度最高,为11.86只/笼,餐饮外环境最低,为2.20只/笼,麻蝇科在不同生境中均为优势种群;蝇类密度高峰主要出现在7月和8月。基于历史生态学监测数据构建的最优模型SARIMA(0,1,4)(2,1,3)12预测2019年4—10月的蝇类密度与实际密度基本一致,实际监测值均落在预测值95%置信区间内,模型评价指标均方根误差(RMSE)和平均绝对误差(MAE)分别为1.379和1.014,预测效果较好。结论 2009—2019年北京市东城区以麻蝇科为优势种群,宾馆饭店是蝇类防控的重点场所,活动高峰主要出现在7—8月;通过对SARIMA模型效果评价,该方法可用于蝇类密度短期变化趋势预测。

使用快速傅里叶变换优化周期参数的EMD-FFT-SARIMA光伏发电预测模型

根据分布式能源工业园区的光伏电力单元特点,对园区光伏发电功率预测模型进行优化,为后续的调度策略提供数据支持。针对经验模式分解(EMD)与季节性差分自回归移动平均模型(SARIMA)相组合的EMD-SARIMA预测模型中,原始数据经过EMD分解得到的各固有本征模态函数(IMF)分量周期计算问题,提出加入快速傅里叶变换(FFT)的周期计算方法,建立EMD-FFT-SARIMA光伏发电功率预测模型。再将每个IMF对应的预测结果进行叠加重构得到最终的预测结果。通过预测结果的误差计算可以发现,加入FFT环节后均方根误差(RMSE)从120.6 MW下降到19.3 MW,平均绝对误差(MAE)从52.87 MW下降到12.3 MW。

ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

基于SARIMA模型的上海市中心城区共享单车需求预测

无桩式共享单车的出现与推广在减少碳排放的同时,带来了道路拥堵问题。如何高效、准确地进行交通流量预测已经成为人们关注的热点。利用2016年8月上海市中心城区摩拜共享单车数据,利用季节性差分自回归移动平均模型(Seasonal Autoregressive Integrated Moving Average Model,SARIMA模型)进行模拟和预测,再通过折线图的方式揭示共享单车需求量与时间之间的变化关系。研究发现,SARIMA(0,1,3)×(0,1,0)_(84)模型能够有效预测上海市中心城区共享单车的需求量。预测交通流量,可以缓解城市主干道的拥堵状况,提高市民的生活质量。同时,预测通勤需求可以平衡供需关系,为运营企业和用户提供更高效的服务,为政府规划提供决策依据。

基于SARIMA模型的高校人工智能就业趋势研究

文章利用大数据相关技术,采用Nagao算法、单尺度Retinex(Single Scale Retinex,SSR)算法、季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型,对人工智能专业的就业趋势和供需关系进行分析和预测。研究表明,人工智能专业的就业形势较为乐观,未来几年将持续保持高速增长。同时,及时掌握人工智能专业的就业趋势和供需关系,提高毕业生的实践能力,加强对人工智能专业毕业生就业市场的研究,并深入挖掘人工智能技术的应用价值,以期为社会提供更多的高质量人工智能人才。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

居住环境宽带电磁辐射的分析与预测

针对居住环境内电磁辐射在周期性规律中混有较多高频分量,导致传统时序建模方法和神经网络方法预测性能受限的问题,提出了一种小波分解与季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型相结合的混合预测方法.该方法根据辐射数据的时频特性,利用SARIMA模型对小波分解得到的主要周期分量和细节分量进行分层预测,以适应居住环境内多种发射源形成的复杂电磁辐射状况.实验结果表明,该方法不仅比单一时序建模方法以及神经网络方法具有更高的预测准确度,而且具有更强的异常值适应性与稳定性.

BSTS和SARIMA模型在河南省丙肝发病趋势预测中的性能比较研究

目的探讨河南省丙肝疫情的时间序列特征,比较贝叶斯结构时间序列(BSTS)和季节性差分自回归滑动平均(SARIMA)模型在丙肝发病趋势预测中的性能。方法收集2013年1月—2022年9月河南省丙肝发病数据,采用普雷斯科特(HP)和相乘季节分解法解析数据的周期和季节模式。使用2013年1月—2021年6月数据分别构建SARIMA和BSTS模型,2021年7月—2022年9月数据测试预测准确性。结果2013—2022年河南省共报告丙肝267968例,2月的季节因子最小(0.85),3月和4月的季节因子较大(分别为1.22和1.11)。BSTS模型预测的平均绝对误差(307.65)、平均绝对百分比误差(18.86%)、均方根误差(409.57)、平均误差率(0.17)、均方根百分比误差(0.27)均小于SARIMA模型(分别为469.29、27.80%、532.59、0.26、0.34),敏感性分析结果相似。使用BSTS模型预测2022年10月—2023年12月河南省丙肝发病总数为27981(95%CI:14729~41612)例,月均发病数为1865(95%CI:982~2774)例。结论河南省丙肝发病处于下降趋势,季节性明显;BSTS模型在动态预测丙肝发病趋势方面优于SARIMA模型,具有更好的应用价值。

EEMD⁃SARIMA⁃ETS组合模型在河南省人布鲁氏菌病发病趋势预测中的应用

目的探索集成经验模态分解(EEMD)⁃季节性差分自回归滑动平均(SARIMA)⁃基于状态空间的指数平滑(ETS)组合模型在人布鲁氏菌病发病趋势预测中的应用。方法采用周期分解法分解2005—2019年河南省人布鲁氏菌病的发病趋势和季节模式;采用EEMD方法分解序列包含的不同时间尺度本征模态分量(IMFs)和剩余分量,将数据划分为训练集(2005—2018年)和测试集(2019年),采用ETS和SARIMA模型分别模拟IMFs和剩余分量,构建EEMD⁃SARIMA⁃ETS组合模型,并将其预测准确性与单一SARIMA和ETS模型进行比较。结果2005—2015年河南省人布鲁氏菌病发病率呈上升趋势(APC=53.26%),2016—2019年呈下降趋势(APC=-18.65%),发病高峰在每年的3—6月。获得河南省人布鲁氏菌病发病的最优模型:ETS(A,AD,A)、SARIMA(2,1,3)(0,1,0)12,及由最佳ETS、SAR1MA模型构成的EEMD⁃SARIMA⁃ETS组合。EE⁃MD⁃SARIMA⁃ETS组合模型平均绝对百分比误差(10.36%)<ETS模型(16.20%)<SARIMA模型(27.31%),平均绝对误差、均方根误差、平均误差率和均方根百分比误差同样也小于单一的ETS和SARIMA模型。结论河南省人布鲁氏菌病是季节性疾病,EEMD⁃SARIMA⁃ETS组合模型能准确地预测其流行趋势,可为人布鲁氏菌病精准化动态防控提供参考。

基于车流量数据的SARIMA和LSTM组合模型的比较研究

针对同时具有周期性、长记忆性等多种特征的车流量数据,单一地SARIMA或LSTM模型往往拟合效果不理想,而其组合模型可以弥补单一模型的不足。结合线性和非线性预测方法,文中分别建立了三个SARIMA-LSTM组合模型,随后,对车流量数据进行了预测分析,通过与SARIMA、LSTM两种单模型拟合效果的比较分析表明:1)对含周期性和长记忆性的数据,组合模型的预测效果更优;2)基于MA滤波方法的组合模型三比其他两种方法在提升模型预测精度上表现更好。

基于雇员数据的时序模型比较

使用某地区的雇员数据进行研究,描述性分析并对多种时序模型展开预测分析,对模型预测效果进行应用对比。具体的研究工作与内容包括:使用描述性分析,展示雇员率的数字特征和分布情况;分别建立季节多元回归模型、三参数指数模型、季节性差分自回归滑动平均模型,并进行预测和分析结果;汇总3种模型的预测结果,分析论证了模型的可用性。

季节性自回归差分移动平均模型在牡蛎中诺如病毒检出率预测上的应用

目的基于季节性自回归差分移动平均(ARIMA)模型分析并预测上海市售牡蛎中诺如病毒(NoV)的检出率,为水产品中NoV的污染规律提供参考。方法2016年6月—2019年11月,从上海芦潮港海鲜市场定期采购牡蛎样品共531只,通过巢式聚合酶链式反应(Nest-PCR),对其进行了NoV检测,按季度分析检出率。采用季节性ARIMA模型对牡蛎中NoV的检出率数据拟合建立模型,经过数据平稳化、模型选择和拟合、模型诊断得到最优模型,并运用最优模型对未来四个季度牡蛎中NoV的检出率进行预测。结果拟合出的季节性ARIMA(0,1,1)(0,1,0)4为最优模型,赤池信息量准则的修正值(AICc)最小(58.70),残差经Ljung-Box检验为白噪声序列。模型拟合牡蛎中NoV的阳性率趋势与实际检出率趋势基本吻合,平均绝对误差(MAE)为4.85,平均绝对百分比误差(MAPE)为30.25。用最优模型预测的未来四个季度牡蛎中NoV阳性检出率分别为31.89%、12.80%、9.47%、6.14%。结论季节性ARIMA模型(0,1,1)(0,1,0)4能较好地拟合牡蛎中NoV的阳性检出率趋势,对NoV污染的牡蛎等水产品的风险评估及NoV流行的防控具有一定的意义。

一种平稳化短时交通流预测方法

支持向量机回归模型是以预测噪声具有对称性概率分布为假设条件,而实际的短时交通流数据序列具有非平稳特征,这就使得在采用支持向量机回归模型进行短时交通流预测时,难以保证预测噪声的对称性概率分布,从而会影响到预测精度。针对上述问题,在证明支持向量机回归模型对平稳时间序列的预测噪声具有对称性概率分布的基础上,分别针对平稳化和未平稳化的短时交通流观测序列进行了仿真预测,并对预测结果进行了比对分析。分析结果表明,采用平稳化短时交通流预测方法可将预测的均方根误差降低约21.6%,绝对值误差降低约21.3%,相对误差降低约17.3%,仿真结果验证了所提方法的有效性。

应用SARIMA-GRNN组合模型分析肺结核流行的季节性特征

目的应用季节性差分自回归滑动平均模型(SARIMA)和广义回归神经网络(GRNN)组合模型分析肺结核流行的季节性特征,为预防和控制肺结核提供依据。方法通过国家卫生健康委员会官网收集2005—2017年全国肺结核疫情资料,应用SARIMA-GRNN组合模型分析我国肺结核流行的趋势和季节性特征。结果2005—2016年我国肺结核报告发病率平均每年下降3.17%,并且发病存在明显的季节性规律(3—6月为高峰)。SARIMA(0,1,1)(0,1,1)12模型较好的地拟合了我国肺结核发病长期趋势和季节性,其平均误差率为6.07%,决定系数为0.73。SARIMA(0,1,1)(0,1,1)12-GRNN组合模型的平均误差率为2.56%,决定系数为0.94。SARIMA(0,1,1)(0,1,1)12-GRNN组合模型预测的准确性优于SARIMA(0,1,1)(0,1,1)12模型,2017年的验证数据结果与此一致。结论2005—2016年中国肺结核报告发病率平均每年下降3.17%,肺结核的发病高峰集中在每年3—6月,具有明显的季节性。