时间预测中的任务分解效应:未来边界和思维焦点的作用

为探讨任务分解对时间预测的影响究竟是扩张效应还是收缩效应,以458名大学生为参与者,基于计划谬误理论的扩展模型,通过3个实验予以考察。结果发现,任务分解与否条件下参与者的时间预测值存在显著差异;其次,当未来边界的时间范围较短时,分解条件下参与者的时间预测值显著长于不分解,且关注计划在其中起部分中介作用;而当未来边界的时间范围较长时,分解条件下参与者的时间预测值边缘显著短于不分解,且关注障碍在其中起部分中介作用。这些结果表明,任务分解对时间预测存在影响,且该影响受到未来边界的时间范围的调节,即当未来边界的时间范围较短时,表现为任务分解的扩张效应;当未来边界的时间范围较长时,表现为任务分解的收缩效应。此外,当任务分解时,未来边界的时间范围可以通过思维焦点对时间预测产生影响。

基于时间序列的服装时尚趋势预测研究

针对传统时尚趋势预测方法效率低,高度依赖专家和用户的主观意志,训练数据难以反映真正的时尚趋势等问题,提出一种基于LSTM和时装周图像信息的时尚趋势预测模型。该方法首先通过爬取时尚网站vogue中2013到2021年的四大时装周的秀场图片,然后分析图片信息,将秀场图片信息与时尚内部知识相结合,最后利用基于注意机制的LSTM模型从时间序列中寻找时尚关系,从而进行时尚趋势预测。实验结果表明,该方法在多个数据集上表现最佳。

利用地理空间和时间信息GNN-Transformer在MJO预测中的应用

针对目前深度学习在极端天气现象Madden-Julian振荡(MJO)预测任务中表现欠佳的问题,提出一种基于动态图神经网络与Transformer结合的时序预测模型.首先,将地球海陆二维网格映射到图结构的节点上,并提出利用多重注意力混合海陆掩码的方法进行节点筛选;其次,使用基于热传导与节点相似度度量进行边权重的迭代更新,以获取每个时间步中最准确的气候模式信息;再次,使用最大极值法抽取不同时间段的异常节点信息作为极端气候的发生点,并对这类点的变权重进行强化;最后,将上述结果输入到图神经网络进行编码,并使用Transformer进行解码操作获取预测结果.实验结果表明,该模型在预测中最高可获得39 d的双变量相关系数(COR)有效预测值,以及31 d的均方根误差(RMSE)有效预测值,性能优于现有模型.

基于使用特性的两阶段多因素作业运行时间预测算法

为了解决用户所提供的作业预计时间不准确对高性能计算平台调度系统的连锁影响,以鹤思调度系统为研究模板,提出了一种通用的两阶段多因素作业运行时间预测算法(TSMF)。TSMF融合了复杂的用户行为模式和作业上下文特征,以确保预测准确可靠,并能够无缝嵌入到大多数高性能计算平台的调度系统中,从而改善其性能。在北京大学高性能计算集群的数据集及真实调度系统上进行的多角度模拟实验显示,TSMF在预测准确性方面表现出色,能够在绝大部分作业上实现精准预测。例如,在多达60.8%的作业中,其预测误差在1min以内。此外,TSMF显著改进了实际情境中的调度算法,提高了资源利用率并大幅缩短了用户等待时间。

基于时间序列的非周期预测模型

在实际应用中,纯周期性的数据相对罕见,大多数数据往往表现出非周期性特征,难以通过简单的周期性变化进行预测或描述。而单一神经网络在处理非周期性时间序列时往往面临过拟合、长时依赖捕获困难、非线性关系捕获有限等问题。为了有效地对非周期性时间序列进行预测,基于Informer模型提出了ILTNet模型。ILTNet模型结合线性预测(AR模型)和非线性预测(Informer模型与循环跳跃组件),能有效捕获长期依赖关系。实验证明,与LSTNet、Informer、AR以及GRU模型相比,ILTNet模型在非周期时间序列预测上表现出显著优势。例如,在Exchange Rate数据集上,ILNet模型相对于LSTNet模型,在步长为96和128时将RSE分别降低了0.0333和0.0277,相对于Informer模型在所有步长下,RSE均有显著降低,尤其是在步长为96时将RSE降低了0.2877。

面向多时间步风功率预测的深度时空网络模型

准确的风功率预测能为风电能源行业提供可靠的指导和决策依据,然而传统的建模方法主要是将风功率预测问题转换为时序预测问题,忽略了机组间的空间信息,因此,提出一种面向多时间步风功率预测的深度时空网络模型。该模型采用编码器-解码器架构设计,首先,编码器根据历史功率信息建图,并使用图注意力网络(GAT)提取融合风场空间信息的机组特征;其次,使用门控循环单元(GRU)提取输入数据中的时间特性,从而得到关于该机组的风能时间特征;最后,在解码器融合编码器输出的时空特征后,使用样本卷积和交互网络(SCINet)融合不同时间尺度分辨率下的时空特征,输出未来多时间步风功率的预测值。在WindFarm1数据集上的实验结果表明,在预测步数为72时,所提模型的绝对平均误差(MAE)低至42.38,相较于双向门控循环单元(Bi-GRU)的MAE下降了4.25%;所提模型的均方根误差(RMSE)低至42.71,相较于Autoformer的RMSE下降了8.70%。而在WindFarm2数据集上的泛化性实验结果表明,所提模型在不同风场中具备适用性,为未来风功率的准确预测提供了一种新的途径。

计及相似日和时间相关性的深度学习短期电力负荷预测

针对特征提取不足、负荷数据噪声大等问题,提出一种基于多因素相似日聚类、时间相关性分析、两层分解降噪的多分支组合负荷预测方法。首先,利用皮尔逊相关系数和最大互信息系数综合分析日负荷影响因素的线性相关性和非线性相关性,增强对重要特征的筛选。将筛选出的高相关性气象因素、日期因素和24 h日负荷数据通过主成分分析方法降维后,进行K-medoids相似日聚类。然后,对各聚类相似日的负荷、气象和日期等数据进行多维分析、多特征提取,构建多特征提取矩阵块以增强数据的周期性规律和时空特性,并结合变分模态分解及经验小波变换提取原始数据的多尺度波动规律、增加数据细节特征,同时降低数据的非线性程度。利用组合预测模型中不同输入分支的门控残差卷积模块充分挖掘数据间的局部相关性,提取局部短时依赖、获取高维特征;利用输入分支并联的双向长短期记忆网络提取数据间的时序特征、挖掘长期依赖关系。最后,对不同类型的特征进行综合集成、强化,实现短期电力负荷预测。实验结果表明:在短期电力负荷单步预测中,用所提的多特征提取、多模型组合方法可获得较高的预测精度;在多步预测中,用所提策略能大幅提升预测精度。所提方法整体预测效果优异。

结合高斯噪声的回声状态网络模型及其时间序列预测性能

为了模拟回声状态网络模型在时间序列预测实例中的影响因素,在回声状态网络模型的储备池层引入高斯噪声,构建结合高斯噪声的回声状态网络模型;利用公式推导分析所提模型的非线性性质;采用股票序列数据与Logistic混沌序列数据进行实验验证和对比分析。结果表明,本文所提模型的预测效果优于回声状态网络模型、压缩感知回声状态网络模型和反向传播神经网络模型,股票收盘价预测、Logistic混沌序列预测的平均绝对误差均最小,分别为1.33×10^(-3)、5.21×10^(-4)。

基于术前资料的口腔颌面部间隙感染患者住院时间延长预测模型的建立

目的:分析口腔颌面部间隙感染(oral and maxillofacial space infection,OMSI)患者住院时间延长的危险因素,建立风险预测模型,为临床干预及管理提供参考。方法:回顾性收集2019年7月—2023年7月在徐州医科大学附属医院收治的265例OMSI患者。以住院时间的第75百分位数为分界点,分为住院时间延长组和正常组,比较2组患者术前临床资料的差异,通过Lasso回归和多因素logistic回归分析影响患者住院时间延长的相关因素,并基于此建立一种新型OMSI住院时间延长的风险评估模型,结合受试者工作特征曲线、Hosmer-Lemeshow校准曲线和临床决策曲线对模型进行评价。采用SPSS 26.0软件包和R语言4.2.2对数据进行统计学分析。结果:将Lasso回归筛选出回归系数不为零的变量纳入多因素logistic回归,分析结果显示,基础疾病(OR=2.43,95%CI:1.25~4.70)、间隙数目(OR=1.67,95%CI:1.30~2.14)、纤维蛋白原(OR=1.31,95%CI:1.08~1.60)、IL-6(OR=1.01,95%CI:1.00~1.01)是OMSI患者住院时间延长的独立危险因素(P<0.05)。利用上述独立危险因素构建预测模型,预测评分模型的AUC为0.834(95%CI:0.780~0.888),Hosmer-Lemeshow校准曲线检验提示预测模型拟合优度良好(P=0.4555),决策曲线分析表明模型具有较高的临床实用性。结论:本研究构建的口腔颌面部间隙感染患者住院时间延长风险评估模型具有较好的预测效能,有助于早期识别长期住院的高风险患者,及时采取有效干预措施,减轻患者与医疗机构负担。

基于“STL+ARIMA”模型的电力物资需求时间序列预测

随着电力行业的快速发展,物资需求的精确预测成为提高企业运营效率和降低成本的关键因素。本文基于国网福建省电力有限公司厦门供电公司2021年至2023年的部分物资出库数据,研究了多种时间序列预测模型对电力物资需求的预测能力。本文选取了ARIMA、SARIMA、LSTM、KNN、ETS、“STL+ARIMA”等6种模型,并通过MAE(平均绝对误差)、MSE(均方误差)、R-squared(决定系数)等多项评价指标对其预测精度进行了比较。实验结果表明,“STL+ARIMA”模型在所有模型中表现最佳,能够有效捕捉数据中的季节性波动和趋势变化,预测精度远超其他模型。本文为电力企业物资需求预测提供了高效且精确的模型选择方案,有助于优化物资供应链管理,降低成本,并提升整体运营效率。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

基于多粒度时间卷积网络的超短期风功率预测

针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并设计多粒度特征融合模块来增强模型的鲁棒性,提高风功率预测精度。首先,利用随机森林算法(RF)得到与输出功率相关性较强的部分特征数据;然后,对筛选后的特征数据进行多粒度划分,通过时间卷积网络(TCN)提取各个粒度的独立特征。最后,使用挤压激励网络(SENet)对不同粒度特征进行自适应加权融合,得到最终预测值。采用中国某风场数据进行算例分析,结果表明相较于其他方法,所提方法在24步预测任务和6步预测任务上取得了最佳的预测性能,具有较高的准确性和稳定性。在24步预测任务上归一化均方根误差、归一化平均绝对值误差和决定系数指标分别为0.152、0.108和0.7214,在6步预测任务上各指标分别为0.1027,0.0683和0.8717。

进港航班滑入时间预测

准确预测进港航班滑入时间对合理调配航班保障资源和提高机场场面运行效率具有重要意义,可有效克服各大机场粗放式预测航班进港时刻的不足,为此提出一种基于机器学习模型的滑入时间预测方法。以首都机场为具体研究对象,分析进港航班滑入时间的影响因素并构建特征集;将线性回归、K-最近邻、支持向量机、决策树、随机森林和梯度提升回归树6种在滑出时间预测方面得到广泛应用的机器学习模型用于进港航班滑入时间预测。研究结果表明:在误差范围±3 min内6种机器学习模型的预测精度均超过90%,表明特征集的构建和模型的选择是有效的;综合预测性能与模型拟合评估结果,梯度提升回归树模型的预测效果最好;在梯度提升回归树模型上场面流量特征的贡献度最大,新引入的跨区特征对预测模型的贡献度超过了大部分传统特征。

基于时间序列分析的港口货物吞吐量预测研究

港口货物吞吐量是衡量企业生产经营活动的重要依据,体现地区的经济活力与国际贸易潜力。为更准确地预测港口货物吞吐量,本文针对上海港2013年至2022年间集装箱吞吐量变化特征进行量化分析,使用时间序列研究方法对上海吞吐量发展趋势作出精准化预测。对时间序列的平稳性与模型合理性进行进一步验证,减少时间序列历史数据非线性、非平稳性特点产生的预测误差,提升港口吞吐量预测的准确性和科学性,为实现生产效率与资金投入的科学化统筹提供基础数据支撑。

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

基于集成光子储备池的时间序列任务预测 (特邀)

光子储备池因其反馈连接的拓扑结构,在时间序列任务中展现出巨大潜力,主要形式包括延时型、波导型、空间光型和空腔型储备池。其中,波导型集成光子储备池具有并行输入和高集成度的特点,在时间序列二进制任务中表现突出。然而,针对更复杂的模拟数值预测任务,传统方法下的单个集成光子储备池因物理节点数量有限,导致计算性能不足。为解决这一问题,提出了一种32节点梅花形光子储备池芯片,外围节点作为输入输出节点,各输入节点通过强度调制引入非线性效应,接收不同的调制信号,各输出节点基于历史数据,采用向量自回归算法进行训练,从而实现更高效且精确的时间序列预测任务。研究结果表明:通过优化输入策略、芯片设计和训练算法,32节点集成光子储备池相较于传统延时型光子储备池,在预测任务中的RMSE和NMSE指标分别提升了两个和一个数量级,使波导型集成光子储备池在时间序列预测任务中成为有力竞争方法。

基于离散时间量子漫步的链路预测算法

量子漫步算法能模拟游走粒子在图上的量子相干演化,粒子的运动状态由量子态的相干叠加而成.与经典随机游走算法相比,量子漫步算法具有寻找目标节点时间少和源节点扩散至其他节点时间少的优点.提出一种基于离散时间量子漫步的链路预测(link predictionbased on discrete time quantum walk,简称LP-DTQW)算法.研究结果表明:相对于其他7种算法,LP-DTQW算法有更高的预测精度;LP-DTQW算法的时间复杂度远低于经典RWR(random walk with restart)链路预测算法的时间复杂度.因此,LP-DTQW算法具有更强的预测性能.

基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

基于改进时空图卷积网络的道路行程时间预测模型

为提高道路网行程时间预测精度,综合考虑行程时间的空间依赖性、时间依赖性和天气因素影响,提出了基于属性增强和注意力机制的时空图卷积网络模型.首先,构建属性增强单元,将行程时间和天气信息融合;然后,利用图卷积网络捕获空间依赖性,利用门控递归单元捕获时间依赖性,并利用注意力机制增强模型对特征的学习;最后,利用该模型在真实数据集上对未来15、30、45和60 min的行程时间进行预测.结果表明:预测结果的均方根误差(RMSE)分别为0.0453、0.0456、0.0457和0.0468,与其他模型相比表现更优;考虑了时间、空间和天气因素后,相较于不考虑天气的情况,预测误差降低了约10.3%;相较于不考虑空间依赖性的情况,降低了约24.2%,表明所提模型能更好表达时空依赖性和外部条件影响.

执行时间预测驱动的工作流作业调度

针对工作流作业调度问题,提出使用关键路径法进行工作流的执行时间预测和资源分配。工作流执行时间预测算法使用并行应用有向无环图描述工作流中子作业的执行顺序。基于此顺序,为子作业进行系统资源的逻辑分配。根据子作业的特征和资源分配信息,使用梯度提升决策树进行子作业执行时间预测,并计算工作流的关键路径。关键路径上所有子作业的完成时间之和即为工作流的执行时间。若预测的工作流执行时间满足用户要求,则根据子作业执行顺序和资源分配方案进行作业调度,执行工作流。对比实验表明,两个工作流的执行时间预测误差分别为5.72%和1.57%。与Spark默认调度算法相比,工作流调度算法将两个工作流的完成时间分别缩短了15.71%和15.44%。