基于季节-WNN组合模型的煤矿事故预测

为了对矿山生产领域安全状况演化趋势进行准确预测,考虑实际生产中的季节性因素,本文构建季节-WNN组合模型对生产事故进行预测。其中,采用X-12-ARIMA模型对安全事故时序进行季节调整,将其分成平稳时间序列和季节因子序列。季节因子序列每年呈现相同规律,用WNN模型预测平稳时间序列,再按照乘法模型还原为真实预测序列。本文以我国煤矿生产安全为背景,将2015—2019年煤矿月度死亡人数作为观测值进行建模,预测2020年月度煤矿事故死亡人数,并将其与2020年煤矿事故月度死亡人数的真实值进行验证,将几种典型的预测模型与本文所构建模型进行对比分析。结果表明:我国煤矿事故存在显著的季节性特征,季节-WNN组合模型的平均相对误差为1.1%,预测精度显著优于单一的预测模型,且与我国煤矿事故实际走势较为吻合,具有良好的预测效果。预测模型可为安全事故的预测提供方法和指导,也可为煤矿安全生产监管决策提供依据。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

季节性组合预测模型在医院门诊量中的应用研究

医院门诊量是一个具有复杂的非线性组合特征的季节性时间序列。为解决传统时间序列预测大多数都是使用单一模型,以致影响预测精度等问题,采用了最优加权组合预测方法将季节性ARIMA乘积模型和季节性神经网络模型进行组合优化。结果表示,季节性组合预测模型在拟合精度和预测准确性方面优于任何单一预测方法,为季节性时间序列预测提供了一种新的实用方法。

二重趋势性季节型电力负荷预测组合灰色神经网络模型

对于具有增长和波动二重趋势性的季节型电力负荷 ,首次提出了季节型负荷预测的组合优化灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节型负荷预测问题 ,说明了此优化模型分别优于两种单一发展趋势负荷预测模型 ,给出了电力负荷预测的应用实例 ,为季节型电力负荷预测提供了一种新的。

基于残差修正的ARIMA-BP组合模型在中国戊型肝炎发病预测中的应用

目的:探讨基于残差修正的ARIMA-BP组合模型在中国戊型肝炎传染病流行趋势预测中的作用。方法:对2004-2017年中国戊型肝炎统计数据采用SPSS软件分别建立ARIMA和ARIMA-BP模型,将2018年1-12月戊肝数据作为对比值,对模型的预测效果进行对比分析。结果:2种模型的预测结果评价指标中,ARIMA-BP组合模型的E、ER、MAE、MSE、MAPE指标整体上均小于ARIMA模型。结论:ARIMA-BP组合模型的预测效果优于ARIMA模型,可用于我国戊型肝炎发病趋势的早期预测。

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度。该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SARIMA模型中提取的单位节点比例对LSTM得到的初步预测结果进行修正,得到最终预测结果。实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性。

基于季节性时间序列组合模型的电信运营商呼叫中心话务量预测

一、研究背景通信行业不断发展，移动电话基本普及，更随着ICT的不断发展，电信运营商提供的商品越来越多样化，运营商呼叫中心受到的话务量的压力越来越大。一个普通省公司的呼叫中心每天的话务量就达到20多万，话务员的数量也达到近千人。

中国夏季降水的组合统计降尺度模型预测研究

现阶段的动力气候模式尚不能满足东亚区域气候预测的实际需求,这就需要动力和统计相结合的方法,将动力模式中具有较高预测技巧的大尺度环流信息应用到降水等气象要素的统计预测模型当中,以改善后者预测效果。本文中所介绍的组合统计降尺度模型,可将动力气候模式预测的大尺度环流变量和前期观测的外强迫信号作为预测因子来预测中国夏季降水异常。交叉检验结果显示,组合统计降尺度预测模型的距平相关系数较原始模式结果有较大提高。在实时夏季降水预测中,2013~2018年平均的预测技巧相对较高,趋势异常综合检验(PS)评分平均为71.5分,特别是2015~2018年平均的PS评分预测技巧达到72.7分,总体上高于业务模式原始预测和业务发布预测的技巧。该组合统计降尺度模型预测性能稳定,为我国季节预测业务提供了一种有效参考。

基于神经网络和SARIMA组合模型的短期交通流预测

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点.构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势.实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型.然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测.

非线性季节型航空公司客运收入的组合预测方法

针对航空公司的客运收入同时具有增长性趋势和季节波动性特征,使得客运收入的变化呈现出复杂的非线性组合特点,依据灰色预测GM(1,1)模型原理,建立客运收入预测模型,以反映其增长性趋势的特点,建立客运收入季节变动预测模型,以反映其季节波动性特点,最终形成非线性季节型客运收入组合预测模型。航空公司客运收入的预测结果表明,预测值与实际值误差小于1%,该模型有效、可行。

基于优化灰色模型的农村季节性电力负荷预测

提出了一种基于优化灰色模型的农村季节性电力负荷预测方法。首先对原始的时间序列数据进行移动平均处理,然后分别建立多个灰色GM(1,1)模型并进行优化组合。实例研究结果表明,该方法具有较高的预测精度。

高速公路交通量组合预测模型研究

交通量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果。为准确预测,提出一种最优线性组合预测模型并给出了以预测误差平方和最小为目标函数的权系数最优解计算方法,在采用ARIMA模型、BP神经网络和支持向量回归机的基础上,利用组合预测模型实现了高速公路月度交通量的预测。实验结果表明:与季节差分自回归滑动平均模型、BP神经网络和支持向量回归机等预测模型相比,组合预测模型各项评价指标均优于前三者,为实现交通量准确预测提供了更为科学的依据。

组合预测方法在季节波动预测中的应用

季节波动是社会经济现象随着季节的变化而发生的周期性的变动，是季节性的固定规律作用于经济活动的结果。在经济现象的发展变化中，一般受四种波动的影响，即长期趋势、季节性波动、循环波动和不规则的随机波动。但在经济预测中要把握住前两点，一是要搞清楚季节波动的规...

灰色加法组合预测模型及其应用

针对季节性时间序列具有增长性和周期性的特点,将其进行分解建模,并与灰色系统理论相结合,首次提出了灰色加法组合预测模型。通过京津唐电网中的应用表明,此方法简单有效,对于季节性预测问题有很强的实用性和较高的预测精度。

张家川高血压月发病率的组合预测模型

在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释。根据其自身变动规律建立时间序列的动态模型是一种行之有效的方法,神经网络也可发挥其独特的预测功能,但是每种单一的预测方法都有一定的局限性,故本文研究了季节性ARIMA模型、神经网络模型以及两者的组合预测模型在张家川地区高血压月发病率中的应用,得出组合预测模型可以得到更好的效果。

基于组合预测模型对安徽省GDP的预测研究

基于1978—2018年安徽省GDP数据,首先建立ARIMA(0,1,1)模型和Holt-Winters无季节性模型,再通过B-G组合预测模型选择最优组合权重,最后建立组合预测模型(ARIMA-Holt-Winters无季节性模型)。通过比较ARIMA-Holt-Winter无季节性模型、ARIMA(0,1,1)模型和Holt-Winters模型的预测结果,发现ARIMA-Holt-Winters无季节性模型能够更加较为准确地描述安徽省GDP状况,能够得到较好的短期预测结果,为政府制定经济目标和实施相关经济政策提供参考。

基于改进诱导有序加权调和平均(IOWHA)算子的传染病组合预测模型研究

针对单一模型预测精度不高的问题,提出了一种新的诱导有序加权调和平均(IOWHA)算子和Theil不等系数相结合的传染病组合预测模型,包括ARIMA季节模型和灰色模型,并用其先分别对传染病的发病率进行预测,然后用Theil不等系数与IOWHA算子相结合的方法对预测结果进行组合并求解权重系数。实例应用表明该组合模型的预测精度高于单项模型的预测精度,发挥了各个模型的优势,也说明了组合算法的有效性。

基于组合预测模型的铁路货运量预测研究

为了进一步提高铁路货运量的预测精度,提出基于乘积季节模型与引入注意力机制(Attention Mechanism)的长短期记忆(Long Short-Term Memory)模型的组合预测模型。首先建立乘积季节模型、LSTM模型与引入注意力机制的LSTM模型,然后利用误差修正法分别将2种LSTM模型与乘积季节模型组合起来进行预测,最后将预测结果分别与单一模型进行对比。采用2005年至2018年全国铁路月度货运量进行预测分析,结果表明2种组合预测模型的预测精度均高于单一预测模型的预测精度,其中基于乘积季节模型与引入注意力机制的LSTM模型的组合预测模型精度最高,具有研究和实用价值。