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。

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中。首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比。结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差。说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果。

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。

差分整合移动平均自回归模型乘积季节模型在病毒性肝炎门诊量预测中的应用

目的分析某三级综合医院病毒性肝炎门诊量的变化并建立合适的模型,预测其就诊量变化趋势,为医院决策提供依据。方法运用Excel 2019软件建立数据库,SPSS 22.0软件对2005—2018年病毒性肝炎门诊量数据进行建模,2019年数据进行模型验证。结果病毒性肝炎门诊量整体呈下降趋势,但2017年后有回升趋势。采用传统建模方法和专家建模器拟合最优模型均为差分整合移动平均自回归模型(ARIMA)(0,1,1)(1,0,1)12。模型残差检验显示,残差均为白噪声序列,经典建模和专家建模器所建模型各项指标相似,平稳的R~2均为0.336,标准化的BIC值分别为6.126、6.089。2019年预测数据显示短期预测效果较好,而长期预测效果不理想。结论采用专家建模器构建的乘积季节模型在病毒性肝炎门诊量短期预测中预测效果较好,该方法客观、高效、简单,可用于门诊量短期预测。

基于小波变换与差分自回归移动平均模型的微博话题热度预测

研究话题热度预测问题对于网络广告传播效应最大化、网络舆论引导与控制等具有重要意义.首先,根据用户关系及话题因素计算用户影响力,进而定义话题影响力.然后,基于老化理论并考虑话题影响力和话题相关微博数定义话题能量值,量化话题热度.最后,提出基于小波变换与差分自回归移动平均模型的微博话题热度预测方法,以此预测话题热度(能量值)及话题能量峰值.实验表明,文中方法可有效预测话题热度及峰值,具有较低的残差和遗漏率.

改进的差分自回归移动平均模型的共轭梯度参数估计法

为了提高差分自回归移动平均模型的拟合精度,本文结合已有的文献,借助无约束优化方法来解决此模型中的参数估计问题。主要提出了一种改进的差分自回归移动平均模型参数的优化估计法,并对提出的算法进行详细说明,在强Wolfe条件下对全局收敛性进行了证明。该方法保证了迭代计算的收敛性,并且提高了收敛的速度。数值试验结果说明:该算法是一种较为有效的方法,与其他方法比较,参数估计值更为显著,提高了预测精度。

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。

差分自回归移动平均模型在南通市手足口病疫情预测中的应用

目的:应用差分自回归移动平均模型(ARIMA)预测南通市手足口病疫情趋势。方法:以2010年1月—2019年6月南通市手足口病分月报告病例数据为基础,构建符合季节性时间序列的ARIMA(p,d,q)×(P,D,Q)S模型,用2019年7—12月全市手足口病月发病率为验证数据进行验证,检验模型的预测效果。结果:2010—2019年南通市共报告手足口病90 766例,年平均发病率为124.36/10万,疫情有明显季节性,呈双峰特征,为夏季(5、6、7月)高峰和冬季(11、12月)次高峰;近年来南通市手足口病的病原谱以其他肠道病毒为主;利用ARIMA(1,0,1)(1,1,1)12模型,预测2019年7—12月手足口病发病率分别为7.08/10万、1.81/10万、3.74/10万、7.21/10万、10.71/10万和11.29/10万,与实际发病率相比,两者差异无统计学意义(Z=0.48,P=0.63)。结论:差分自回归移动平均模型能较好地预测手足口病的发病趋势,可用于短期的预警监测。

利用ARIMA(自回归移动平均)模型对跑道侵入事件的分析及预测

综合运用具有相当精度的时间序列分析方法,建立美国民航运输安全中的机场跑道侵入的AR IMA(自回归移动平均)模型,克服了样本空间总是有限带来的不足,揭示出民航跑道侵入的动态变化规律,并对未来美国民航跑道侵入事故发生次数进行较准确的预测,为我国民航部门科学地制定飞行计划、人员培训、提高安全管理水平,提供可靠的依据。

基于差分自回归—随机森林的动车组轮对旋修策略优化研究

基于动车组运行里程和轮对尺寸退化过程为非平稳时间序列的特点,将差分自回归移动平均模型(ARIMA)与随机森林算法相结合,对关键尺寸退化趋势影响下的轮对旋修策略优化进行研究。利用ARIMA对运行里程数据进行差分处理,运用基尼系数划分特征构建随机森林决策树,将轮对历史检测数据划分为训练集和测试集进行训练,以预测均值确定轮对尺寸预测值。以轮对几何尺寸和动力学性能为约束条件,以最长使用寿命、最少旋修次数和平稳性指标为优化目标,构建轮对旋修策略优化模型,并对轮对旋修量和旋修后轮径值进行预测。结果表明,当轮径旋修量为2.5 mm,轮缘厚度在HAi=28.5 mm和HBi=30 mm时旋修策略最佳,轮对寿命可提高31.4%。研究成果可为动车组轮对旋修策略优化提供理论支持。

基于数据挖掘及自回归积分移动平均模型预测的医用耗材库存智能化管理研究

目的:基于自回归积分移动平均(ARIMA)构建医用耗材ARIMA模型,为医用耗材库存管理中的各项决策提供技术支持。方法:采用数据挖掘技术中的时间序列分析方法对医用耗材库存进行预测,通过构建医用耗材ARIMA模型分析医用耗材库存变化趋势,预测未来一段时间内医用耗材库存可能出现的结果。选取2018-2021年医院医用耗材每月库存数据,根据2018年1月至2021年7月医院医用耗材每月的库存数据构建医用耗材ARIMA模型,对2021年8-12月的医用耗材每月库存数据进行模型验证和数据预测。结果:建立的医用耗材最优模型为ARIMA(5,1,2)(1,1,1),模型平均绝对误差为7.46%;采用该模型预测2021年8-12月的医用耗材库存量与实际医用耗材库存量比较接近,平均绝对百分比误差(MAPE)为2.075%,模型拟合效果较好。结论:基于数据挖掘技术构建的医用耗材ARIMA模型,可指导决策者根据预测值对医用耗材进行采购,一定程度上降低医用耗材积压率和断货率,减少客观因素引起的医用耗材损耗率。

差分自回归移动平均与广义回归神经网络组合模型在丙型肝炎月发病率中的预测应用

目的探讨差分自回归移动平均(ARIMA)与广义回归神经网络(GRNN)组合模型在丙型肝炎月发病率中预测建模效果及应用前景,为疫情预测提供依据。方法 2015年5月—2016年5月,选取山东省疾病预防控制中心法定传染病直报系统2004—2014年丙型肝炎月度发病率数据及山东省统计局发布的同期人口资料。对2004—2014年山东省丙型肝炎月发病率数据构建ARIMA模型,验证拟合精度并外推预测;将ARIMA模型拟合值作为GRNN模型的输入,实际值作为GRNN模型的输出,对样本进行训练和预测。比较单纯ARIMA模型和ARIMA-GRNN组合模型在丙型肝炎月发病率中的预测效果。结果 2004—2014年山东省丙型肝炎年均发病率为17.28/10万,并随着时间的推移呈上升趋势(Z=29.05,P<0.01)。ARIMA(1,2,1)模型预测2014年山东省丙型肝炎发病率与实际发病率基本一致,落在95%置信区间内,拟合效果较好。以ARIMA(1,2,1)模型拟合值作为GRNN模型的输入,丙型肝炎月发病率实际值作为GRNN模型的输出,取最优光滑因子0.12训练模型,ARIMA-GRNN组合模型预测的拟合值与实际值基本吻合。ARIMA模型和ARIMA-GRNN组合模型的平均误差率(MER)分别为16.87%、15.30%;决定系数(R^2)分别为0.53、0.60;平均绝对误差(MAE)分别为0.17、0.09;平均绝对百分误差(MAPE)分别为1.18、0.35。结论 ARIMA-GRNN组合模型对山东省丙型肝炎月发病率拟合及预测效果优于单纯ARIMA模型,具有较高的拟合精度,有较为广阔的应用前景,对于疫情预测工作有一定的实用性意义。

基于改进自回归差分移动平均模型的网络流量预测

为了缓解通信网络的拥塞问题,减少用户请求服务的等待时间,提高网络的利用率,网络运营服务商需要对网络实时流量进行分析,而建立准确高效的流量分析模型能提供更加准确的数据支持。基于此,提出了改进的自回归差分移动平均模型,该方法与传统模型方法相比,引入了误差扩散因子这一新的参数,并使用改良的粒子群算法得到欲求解的参数值。通过对测试集中的流量数据进行验证分析,可以得到,改进后的模型相比改进前,预测精度和稳定性均得到了提升。

基于差分自回归移动平均法预测苏格兰鲱鱼的迁移

作为苏格兰渔业经济支柱的鲱鱼,正在随着全球变暖而向北迁移。为研究鲱鱼种群分布位置的变化,把北大西洋苏格兰海域划分成28个区域,将过去167年间捕鱼季的海洋表面温度视为时间序列,建立了基于差分自回归移动平均法的海洋表面温度预测模型,得到了未来50年海表温度变化情况。结合鲱鱼的适宜生存条件,分析了鲱鱼的迁移路径及未来最有可能聚集的地点。研究结果为苏格兰地区的渔业经济管理与规划提供了参考和指导。

差分自回归移动平均模型在企业物资采购中的应用

在分析企业采购数据特点的基础上,提出一种基于差分自回归移动平均模型的多模型预测方法。利用了数据的季节特性而不是剔除季节性数据的影响,使得物资的季节性需求得到更好的预测。该方法首先以历史的同比数据作为序列,建立纵向预测模型,再以环比数据作为序列建立横向预测模型,最后通过横纵向预测结果的加权平均实现数据的最终预测。通过近年来采购数据的预测和真值对比分析,验证了该方法的有效性,也为具有此类特征的数据预测提供了新的分析计算方法,可以用于各行业的预测分析。

基于差分自回归移动平均模型的医用直线加速器剂量偏移预测研究

目的结合时间序列挖掘中对未来值的预测方法,实现医用直线加速器质控数据偏移的预测。方法选取1个调整周期内前19条医用直线加速器剂量监测数据作为时间序列的观测组,随后的5条医用直线加速器剂量监测数据作为参照组,建立前19条监测数据的时间序列,对时间序列进行稳定性分析,确定构建时间序列模型——差分自回归移动平均(ARIMA)模型,并利用模型对其他调整周期内的监测数据进行预测。结果利用时间序列进行医用直线加速器剂量偏移预测的表现良好,预测值与实测值的对比误差为-1.28%~0.80%,偏移量总体趋势相同。结论该研究提出的医用直线加速器剂量偏移预测方法对加速器剂量参数的及时调整起到了参考和提示作用。

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

基于ARIMA-TCN混合模型的高速铁路时间同步方法

列控系统作为高速铁路的核心系统,保持其系统的时间同步对于行车安全至关重要。针对现有时间同步方法易受时变上下行传输时延、随机时钟跳变等影响,导致主从时钟偏移估计不准确的问题,提出一种基于差分自回归移动平均-时域卷积神经网络(ARIMA-TCN)混合模型的高速铁路时间同步方法。首先,根据上下行链路传输速率的不对称比,建立高速铁路时钟的数学理论和实际观测模型。然后,使用拉依达准则识别处理跳变异常值,完成实际时间序列的预处理。再次,使用ARIMA模型平滑时间序列中不确定时延带来的噪声抖动,获得平稳的时间序列。最后,通过提出的注意力增强TCN模型进行预测补偿,完成时钟偏移的补偿校正。通过实验仿真,得到基站区间内位置、基站间距以及车速对高速铁路时间同步的影响性分析。实验结果表明:与对比方法相比,所提方法补偿后的均方根误差较最小二乘法减少了75%、较最大似然估计方法误差减少了44.4%,较BP神经网络方法误差减少了16.7%,验证所提方法具有更低的同步误差和更高的同步精度。

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于SARIMAX-SVR的光伏发电功率预测

为提高光伏发电功率预测精度,提出一种基于外生因素及季节性的差分自回归移动平均SARIMAX(seasonal autoregressive integrated moving average with exogenous factors)并结合优化支持向量回归SVR(support vector regression)的光伏发电功率预测方法。首先,采用相关性特征法聚类气象条件中关键气象因子,以消除数据冗余并降低ARIMAX模型的复杂性;其次,在ARIMAX模型中引入季节性因素,构建SARIMAX模型来捕捉数据的季节性变化;最后,使用SARIMAX模型的拟合残差其作为SVR模型的输入,进一步拟合数据的非线性。通过仿真算例分析表明,所提方法可显著提高光伏发电功率预测精度。