基于时间序列疏系数模型的太阳辐射年际变化趋势预测

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。

基于深度学习的全球平均表面温度年际信号时间序列的预测

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。

时间序列分解模型在乌拉斯台河年径流量预测中的应用研究

在剖析了现有年径流量预测方法的基础上，根据乌拉斯台河年径流量（1960年～1989年）序列的长期变化特征，提出了时间序列分解预测模型，即将年径流系列分解为趋势项、周期项、随机项，通过对其各项进行识别、提取，再将各项线性叠加，从而建立年径流量预测模型。从模型的识别过程可得，乌拉斯台河年径流具有不显著的递减趋势和明显的周期变化，同时具有一定的随机性。从模型的检验来看，所建模型具有较好的适应性和预报精度，并且拟合效果较好，说明这种预测方法有一定的实用性。

基于改进Stacking模型的铁路信号设备故障率预测

针对单一机器学习模型在预测设备故障率的应用场景中存在误差大、精度低的问题,提出一种基于改进Stacking融合模型对铁路信号设备进行故障率预测的方法。采用XGBoost、LightGBM、CatBoost和逻辑回归方法构建基本Stacking模型,在此基础上引入Prophet时间序列预测模型,将Prophet模型提取的时序特征与基本Stacking模型逐级融合,构建改进后的Stacking-Prophet预测模型。最后以某单位信号设备数据为例,验证预测模型有效性。实验结果表明,相较单一预测模型,Stacking-Prophet预测模型均方根误差(RMSE)平均降低了94.14%,预测精度有较大的提升,对设备运维有一定的参考价值。

用时间序列方法预测阿克苏市气温的年际变化

利用时间序列方法对阿克苏市1954～1997年月、季、年平均气温序列进行分析 ,建立各气温序列的时间序列预报方程 ,并对阿克苏市平均气温的年际变化进行预测 ,预测值与实况值相关较好 ,其中1月、9月、冬季与年4个气温预报方程的效果最为显著 ,信度可达99.9 %。

基于时间序列分析的机车振动信号建模和预测

通常机械设备的振动信号是其运行状况的直接反映,而对振动信号的未来预测又是分析的重点。现选择时间序列分析理论来处理振动信号,选用AR模型进行建模与预测仿真。同时对时间序列建模的基本原理、操作步骤做了详细的论述。最后利用Matlab系统辨识工具箱相关函数对一个实际机车振动信号进行了建模,结果表明利用时间序列分析技术处理振动信号的预测问题是快速有效的。

运用时间序列法预测2008年奥运会奖牌数

根据所搜集的实际数据资料,以统计学为基础,采用时间序列预测方法,对中国历届奥运会奖牌数序列建立了趋势模型,以其预测2008年中国奥运会奖牌总数。

基于时间序列的结构应力监测信号预测方法

为保障FAST大型射电望远镜安全工作,使用传感器对其关键点应力信息进行监测与评估,对应力信号进行预测,有助于故障的早期预警与处理,提高安全性能。基于物理模型和人工智能模型预测的方法,往往需要结构详细特性信息,或相关荷载信号作为输入,建模过程较为复杂。本研究使用时间序列分析法,基于ARIMA模型对FAST光纤Bragg光栅应变计实际输出信号进行了建模与测试,利用二阶差分将信号平稳化,并确定模型阶数为ARIMA(4,2,9)。通过模型训练与实际数值比对,长期预测中模型可反映信号变化趋势与规律,短期预测中,预测值与实际值间均方根误差仅为0.0013nm,模型简单且仅依赖数据本身即可实现预测,预测精度满足FAST实际监测预测需求。

中国北方地区旱涝的年代际预测分析研究

基于状态空间重构理论和嵌入定理,给出场时间序列预测模型的建立思路。与单点时间序列预测分析方法相比,场时间序列预测分析方法的优点在于,在寻找吸引子上某个相点的最邻近点及其映象以建立预测模型时,不局限于它自身的时间序列,而是在区域内所有相点的时间序列所构成的整个吸引子上寻找。这样,在一定程度上改进单点时间序列的“遍历性”,以提高预测精度。在此基础上,利用中国北方地区534年旱涝等级资料,对中国北方几个区域年代际尺度的旱涝变化及其极端旱(涝)出现频率进行预测试验分析。

基于WD-RSPA模型的水文时间序列预测——以马口站和深圳市为例

为了解决传统水文时间序列预测模型预测精度不高、未考虑实际噪声影响等问题,将小波消噪(Wavelet De-noise,WD)与秩次集对分析(Rank Set Pair Analysis,RSPA)方法耦合,建立基于小波消噪的秩次集对分析水文预测模型(WD-RSPA),并应用于马口站年总径流量以及深圳市年总降雨量预测。结果表明:当集合维数T=4时,coif3-RSPA模型预测马口站径流量的预测误差|e|=11.97%;T=6时,db5-RSPA模型预测深圳市降雨量的预测误差|e|=17.73%。相较于传统AR(1)模型和单一的RSPA模型,WD-RSPA模型更接近真实值,是一种切实可行的水文时间序列预测方法。

基于时间序列预测的印度2020年乘用车销量研究

为了给汽车业“出海”印度参考,文章利用时间序列预测印度乘用车2020年销量。首先,提出了利用时间序列预测销量的研究思路。其次,利用印度乘用车2010-2018年销量数据,按研究思路预测出印度乘用车2019年销售3492170辆,同比增长2.87%;预计2020年销售3622561辆,同比增长3.73%。最后,用2019年1-3月的实际销售数据,与预测数据对比得出预测误差在5.20%内,验证了预测模型的精度。

流域年径流时间序列的奇异谱分析

将奇异谱分析(SSA)法应用于新疆维吾尔自治区伊犁河雅马渡站年径流预报,分析了流域多年径流时间序列奇异谱,提取年径流序列的时间主成分量,重构了原序列中的周期震荡成分,获得了径流时间序列规律,并采用时间序列分析中的AR(p)自回归模型预测了流域年径流序列。实例结果表明,SSA法具有较好的实用性,为深入研究流域径流规律提供了依据。

时间序列分析方法在医院检验科工作量预测中的应用

目的探讨时间序列分析在检验科工作量预测中的应用.方法根据我院检验科1994年3月至2004年6月的工作量资料,采用ARIMA时间序列分析方法建立一个简单实用的时间序列模型.结果1994年3月至2004年6月检验科的工作量沿逐年上升的趋势波动,该模型对2004年3月到6月检验科工作量预测的相对误差为1.36%～5.17%,预测结果比较满意.结论在工作量的近期预测中应用ARIMA时间序列模型分析方法对医院检验科工作具有一定的积极指导意义.

昆明年降雨量时间序列的混沌分析

降雨对水文水资源系统的预报预测是极其重要的.应用重构相空间技术和混沌理论对昆明1951—2010年降雨时间序列的特性进行了分析,通过研究嵌入相空间维数和关联维数之间的变化关系得到了饱和关联维.结果表明,昆明年降水系统中的混沌现象是存在的.这一研究结果为利用混沌理论建立预测模型提供了较为科学的依据.

基于BP网络的混沌时间序列预测模型

本文提出了一个基于BP神经网络的混沌时间序列预测模型。该模型具有较强的预测能力，可有效地对复杂的混沌售进行预测。

基于IDBO-ARIMA的电力变压器振动信号预测

为解决电力变压器振动信号因非平稳特性而导致难以预测的问题,提出一种基于改进蜣螂优化算法的差分整合移动平均自回归预测模型。首先,利用ADF检验和KPSS检验对变压器原始振动信号进行平稳性检验,若不平稳则进行差分处理直至信号平稳。其次,通过在蜣螂优化算法中引入周期突变机制以提升算法的寻优能力,并利用改进后的蜣螂优化算法对差分整合移动平均自回归模型参数p和q进行定阶,实现对变压器振动信号的预测。最后,利用某个0.4-/0.4-k V,15-k VA三相双绕组干式变压器实际采集的振动数据,验证所提出模型的有效性。仿真结果表明,该模型的平均绝对百分比误差可达3.77%,而差分整合移动平均自回归模型、长短时记忆网络、循环神经网络和卷积神经网络的平均绝对百分比误差分别为5.34%、4.74%、5.03%、5.40%。因此,所提出的模型可以实现变压器振动信号的精准预测。

长江上游夏季径流量年际增量预测模型及检验

基于1980—2020年长江上游夏季径流量、降水和气温等资料,采用小波分析、最优子集回归等方法,分析径流量、降水量和气温的变化关系,探讨引发径流量变化的前兆气候异常信号,并构建径流量年际增量预测模型。结果表明:径流量多寡直接取决于流域总降水量,两者表现出显著的准两年周期振荡特征,年际增量之间的相关系数(TCC)为0.88,达到0.001显著性水平。流域平均气温对径流量变化影响相对较小。影响径流量变化的关键前兆气候信号为孟加拉湾冬季风、春季高原季风等8个气候特征量。所建模型在建模时段内(1981—2015年)的拟合值与观测值的TCC为0.81,达到0.001显著性水平;符号一致率(SCR)为77.1%,在径流量变化异常年为100.0%;均方根误差为0.57。在2016—2020年的后报试验中,模型预测与观测值的SCR为80.0%,均方根误差为0.99。经反演的预测径流量平均相对误差绝对值为19.3%。该模型对长江上游夏季径流量及其年际变化的预测准确率大于80%。

海潮负荷地心运动对GPS坐标时间序列周期信号的影响分析

分别采用地球系统质心(center of mass of the whole earth system,CM)和固体地球质心(center of mass of the solid earth,CE)框架的海潮负荷(ocean tide loading,OTL)改正计算132个全球站的静态精密单点定位PPP坐标,分析海潮负荷引起的地心运动对GPS坐标时间序列的影响。结果表明:1)海潮负荷地心运动在水平和垂直方向上引起的坐标差异分别为0.7 mm和1.3 mm,海潮负荷地心运动对坐标时间序列的影响具有显著的区域分布特征;2)在CM-OTL和CE-OTL中,海潮负荷效应引起的周期信号明显减小,海潮负荷改正所属框架与GPS轨道所属框架的不一致将引入GPS交点年信号、14 d、9 d信号;3)利用IGS精密轨道进行PPP计算时,应采用CE框架进行海潮负荷改正。

基于多变量DSD-LSTM模型的有效波高预测

利用改进的完全集合经验模态分解(ICEEMDAN)和递归量化分析方法设计一种新的信号分解算法(DSD),该算法将原始信号分解为确定性成分和随机性成分。考虑风速、风向对波高的影响前提下,将DSD算法与长短时记忆网络(LSTM)结合建立多变量混合模型DSD-LSTM-m进行有效波高的预测。该模型与单独的LSTM模型相比明显提高了预测精度,与单变量混合模型DSD-LSTM-u相比具有更好的预测效果。