基于BP神经网络的矿山GPS数据时间序列预测分析

随着全球经济的发展,天然资源受到了过度的开采,使得地质灾害日益严重。而地面变形塌陷灾害是一种很重要的地质灾害。为了减少矿区周围危害的发生,本论文利用GPS对矿山地表岩移观测得到的数据,采用MATLAB神经网络方法建立GPS数据时间序列预测模型,并且成功的预测出了未来一期的地表移动变化。应用结果表明,神经网络是很好的处理非线性动态数据,能够反映出要素之间的非线性关系,计算精度高,预测准确度高,具有较强的实用性。

深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

基于改进VAE的时间序列数据增强方法

基于数据驱动的时间序列预测模型通常需要大量的训练数据,当数据量不足时将导致建模的准确性下降。本文针对时间序列预测中的小样本问题,提出了一种基于改进变分自编码器(Variational Auto-Encoder,VAE)的时间序列数据增强方法,旨在生成和原始数据不同但分布相似的虚拟数据。通过在编码网络中引入多头自注意力机制挖掘原始数据深层特征,为解码网络生成数据时提供全面的特征信息;引入残差连接避免模型出现梯度消失的问题。由于时间序列数据具有趋势与周期性,故在解码网络中引入趋势组件和季节性组件,以准确表示原始数据的时间特性,并且为数据的生成过程赋予时间上的可解释性。为了验证本文方法的有效性,和当前常用的时序数据增强方法进行比较,实验结果表明,该方法在虚拟样本的生成和时间序列回归预测上均具有较好表现。

一种融合模糊时间序列分析的成分数据时间序列预测方法

在诸多社会和经济问题中,成分数据由于可以提供整体视角下各部分的比例情况而备受关注.对数比变换和球坐标变换等变换方法为成分数据时间序列的专业预测提供了可能,但两类变换均对成分数据的分量进行了限定性要求,如不能包含0或者1.因而,在理论上探求新的成分数据时间序列预处理方式或预测模式具有重要意义.通过将模糊时间序列分析与成分数据时间序列预测相结合,本文提出一类融合模糊时间序列分析的成分数据时间序列预测方法.首先,利用信息熵测度,将成分数据时间序列对应到实值序列框架下.继而,在模糊时序分析框架中,利用模糊C均值聚类实现成分数据时间序列对应实值序列论域的划分并建立模糊集与成分数据之间的对应关系.进而应用一阶模糊时间序列分析模型实现对成分数据时间序列的预测.最后,通过某汽车公司的汽车销售结构数据实证分析验证了所提出预测方法的有效性.

一种基于金融时间序列数据的深度学习风险预测方法

金融时间序列数据的指标按照不同的会计准则会得到不同的数值,如何取舍会受到人为因素的干预。针对金融时序数据的领域泛化专门提出一种异常检测方法,解决特征分布的多样性和复杂性,捕捉金融序列数据的特有表征模式。将循环神经网络之后获得的结果仅作为学习到的知识,通过标准分类器在特征空间对其边缘分布进行适配,然后再通过隐变量自回归模型进一步进行预测,以此来提高预测的精度。然后,构建一个隐变量自回归模型来进行风险预测,通过捕捉金融时间序列数据之间的特征分布来识别其中的金融风险,实验结果表明,模型具有一定的可行性。

基于编辑距离算法的技改大修项目工程时间节点数据研究与应用

文章针对电网企业技改大修项目的工程时间节点数据挖掘及其在项目管理中的应用进行了深入研究,旨在解决电网设备老化和规模增加导致设备成新率下降的问题,提高电力系统设备运行可靠性和供电质量。研究方法包括审计模型中的编辑距离算法原理及应用、技改大修工程时间节点数据分析中的审计模型设计、审计规则的梳理和验证、后台数据寻源及数据挖掘分析和建模等。

基于时序自注意力机制的遥感数据时间序列分类

遥感影像时间序列为土地覆盖分类研究提供了重要的数据基础,利用深度学习提取时序分类特征一直是研究的热点,而基于循环网络和卷积网络的深度学习模型在训练样本不均衡时往往难以在小样本地类上取得高精度分类结果,针对这一问题,本文引入自然语言处理领域最新的自注意力机制方法用于多光谱遥感时序数据分类。通过对Transformer编码器进行两点改进:(1)在多头注意力前添加特征升维层,提升数据的光谱信息;(2)使用拉伸后降维取代全局最大值池化GMP(Global Maximum Pooling)作为特征维度降维策略。构建基于时序自注意力机制的特征提取网络,与循环网络和卷积网络进行对比,利用公开的多光谱遥感时序数据集评估本文所用方法对于小样本类别精度提高的有效性。实验结果表明本文基于时序自注意力机制构建的特征提取网络能够有效应用于多光谱遥感时序数据分类问题,并对小样本地类分类精度提升有所帮助。

基于LMS的三阶Volterra自适应滤波器的时间序列数据预测算法的研究

为了确保工业复杂系统运行过程中的安全性和可靠性,对生产过程中的非线性数据进行预测分析成为一种有效手段。为了提高时间序列数据预测准确性,提出基于非线性归一化最小均方算法(LMS)的三阶Volterra自适应滤波器预测算法。首先针对时间序列数据的预测问题,利用有限项记忆单元的三阶Volterra级数对复杂系统运行数据进行预测。针对权重初始值会严重影响预测效果的问题,采用LMS自适应滤波算法对滤波器系数进行在线更新,对未来时刻的数据进行预测。最后利用联合循环发电厂数据对该预测算法进行实验,火电厂运行数据的预测值和实际观测值之间的误差很小,说明基于LMS的三阶Volterra自适应预测算法具有较好的预测效果,能够为实际的预测及控制提供有利的依据。

联合微波与光学时间序列影像的马尾松林松材线虫病遥感识别

【目的】大范围准确监测林区松材线虫病感染情况对森林疫情防治和经营管理具有重要作用。现有研究往往采用单时相或少量时相数据,松材线虫病遥感监测易受森林背景和非寄主树木影响,导致监测精度存在较大的不确定性。此外,单一数据源往往对病害特征刻画不足,例如被动光学数据侧重描述森林冠层水平结构信息,但易受云雨影响造成数据缺失,而主动微波数据对森林垂直结构和水分含量敏感,但存在噪声高、色素敏感性低以及地形影响大等问题。因此,联合主动微波与被动光学时间序列遥感影像数据,有望在降低环境因素影响的同时追踪同一林分的时序变化特征,进而提升松材线虫病探测的准确性与鲁棒性。【方法】利用厘米级分辨率无人机影像标记样本,联合Sentinel-1 C波段微波和Sentinel-2光学时间序列数据,构建基于极端梯度提升算法的松材线虫病害监测模型。分别评估微波模型、光学模型和微波与光学联合模型在松材线虫病监测方面的性能,以及最优模型在不同环境因子下的表现。【结果】(1)联合了微波和光学的模型精度(总体精度为80.62%,Kappa系数为0.61)略高于单一光学模型的精度(总体精度为79.58%,Kappa系数为0.59),并明显高于单一微波模型的精度(总体精度为68.87%,Kappa系数为0.36),说明了微波与光学时间序列联合数据在松材线虫病害监测中具有优势;(2)模型通常在缓坡、阳坡、低海拔、高覆盖度条件下展现出更高精度。【结论】本研究充分利用多源遥感卫星数据,为松材线虫病大范围准确监测提供了新的技术支撑。

Apache IoTDB中的多模态数据编码压缩

时间序列数据在工业制造、气象、船舶、电力、车辆、金融等领域都有着广泛的应用,促进了时间序列数据库管理系统的蓬勃发展.面对愈加庞大的数据规模和多样的数据模态,高效的数据存储和管理方式十分关键,而数据的编码压缩愈发成为一个具有重要意义和价值的问题.现有的编码方法和相关系统未能充分考虑不同模态的数据特点,或者未把一些时序数据的处理方法应用于数据编码问题中.全面阐述了ApacheIoTDB时序数据库系统中的多模态数据编码压缩方法及其系统实现,特别是面向工业物联网等应用场景.该编码方法较为全面地考虑包括时间戳数据、数值数据、布尔值数据、频域数据、文本数据等多个不同模态的数据,充分挖掘和利用各自模态数据的特点,特别是包括时间戳模态中时间戳序列间隔近似的特点等,进行有针对性的编码方案设计.同时,将实际应用场景中可能出现的数据质量问题因素纳入编码算法的考量中.在多个数据集上的编码算法层面和系统层面的实验评估和分析,验证了该编码压缩方法及其系统实现的效果.

一种用于多维时间序列数据修复的贝叶斯张量分解算法

完整的多维时间序列数据集在深度分析研究中非常重要,而现实数据采集中会由于各种因素导致缺失,因此高精度稳定的数据修复意义重大。针对当前数据修复中无法实现大规模多维时间序列建模的问题,提出了一种基于贝叶斯推断的结构向量自回归张量分解数据修复算法,应用张量分解来建模多维时间序列,采用结构向量自回归过程来建模时间因子矩阵。该算法将结构向量自回归和张量因子分解集成到单个模型中,有效地实现大规模及多维时间序列建模,进而结合贝叶斯推断及吉布斯采样的方法完成数据修复。结果表明,该模型较于其他算法在处理多维张量数据时均方根误差更小,提升了数据修复性能,且对于不同缺失模式的多维数据均具有良好的稳定性。

基于翻转网络的低相关性序列数据预测研究

在某些实际应用中,通常不存在与被预测时间变量具有高相关性的其他维度变量,或者这些维度变量难以采集。而具有较低相关性的时间序列数据普遍存在,其对于数据预测具有更重要的意义。提出一种基于注意力翻转网络的低相关性多维时间序列数据预测模型。针对低相关性时序数据具有相关性随时间而变化的特点,引入批处理滑动窗口以摆脱时间变化带来的干扰,更好地捕获维度相关性。针对传统门控循环单元(GRU)网络大量丢弃低相关性样本的问题,建立翻转GRU网络对低相关性多维数据进行初次过滤,控制多维数据在网络中的传递数量,避免维度变量因相关性较低而被丢弃,提升相关性较低的多维数据在模型中的存活时间。同时,利用基于维度的注意力机制自适应调整不同维度序列在相关性提取过程中的重要性。建立平方长短期记忆(LSTM)网络对分配权重后的数据进行拟合,更细致地确定相关性对被预测参数的影响。实验结果表明,该模型的决定系数可达0.95,预测性能优于GRU、LSTM等传统神经网络模型。

金融时间序列数据可视化框架研究

针对股票软件与量化平台在数据可视化方面存在的对接困难、量化平台可视化功能不完整、独立开发可视化模块缺少参考模型等问题,建立一套金融时间序列数据可视化框架,并对框架中各模块的计算模型进行详细介绍。在多个量化平台中使用回测和模拟实盘功能对框架进行测试。结果表明,在瞬时数据量大的情况下,框架可以在两种模式下稳定运行,并且能够适应不同量化平台之间的差异,满足研究员对数据可视化的需求。

时间序列数据库在桥梁结构监测系统中的应用

时间序列数据库是计算机技术发展的新技术,芜湖长江二桥结构监测系统应用时间序列数据库对原系统进行了升级改造,实现了数据实时采集、实时传输、实时存储,提高了数据库的可靠性和系统的稳定性,保证了数据的真实性。应用表明,时间序列数据库运行良好,各项性能指标均优于传统监测系统,该技术适合长大桥梁结构监测系统海量数据的数据库应用场景。

基于稳健估计和变量分离的大坝监测数据异常值识别方法

大坝原观监测数据是掌握大坝运行性态最重要的资料,监测数据中的异常值又是分析过程中关注的重点。异常值分为两类,一类由测量误差产生,应给予剔除或补测,避免影响后续分析,另一类由于结构突变产生异常,应高度重视。目前坝工领域主要的异常值识别方法多未考虑结构异常的影响,仅从传统数学统计角度出发,造成识别准确率不高。为此,在深入研究大坝监测数据及异常值特征的基础上,首先采用稳健MM估计消除内外因正常影响,再利用剩余测值前后逐差消除稳定异常影响,最后根据极小值法对剩余值进行异常识别,通过对大坝实测数据的应用,证明了该法可以更有效、稳健地识别测量异常,避免结构稳定异常的干扰。

数据驱动的深井超长工作面支架载荷区域特征分析与分区预测

实现液压支架载荷预测分析对于及时改善支架适应性和实现安全支护具有重要作用,需要高质量、大数量的支架载荷时序数据和有效的预测方法作为支撑。然而,深部超长工作面上覆岩层应力环境和垮落步距的非同质同步引发工作面不同区域支架载荷差异化。因此,针对深井超长工作面顶板覆岩长期循环动载作用和分区破断造成工作面不同区域载荷差异明显以及无法实现动态区域更新下的液压支架载荷预测的问题,提出了一种数据驱动的深井超长工作面支架载荷区域特征分析与分区预测方法。首先,在获取工作面液压支架载荷数据的基础上,利用MeanShift聚类算法实现工作面区域动态划分,并分析深井超长工作面不同区域的支架载荷变化特征;然后,提出一种考虑多维时序数据特征和注意力机制LSTM预测方法,构建支架载荷一次性多输入多输出预测框架,实现了预测算法精度和输入输出特征结构的协同设计;最后,基于前述工作面区域划分结果,建立工作面区域化液压支架群组载荷预测模型,实现了综采工作面液压支架群组载荷时序数据循环训练和高精度预测。该方法通过考虑工作面载荷区域分布特征,建立多输入多输出特征工程,可实现基于工作面区域动态更新的液压支架群组载荷预测,能够为后续分析工作面矿压显现规律,超前适应采场环境变化和指导工作面正常回采提供依据。

MODIS/NDVI长时间序列数据拟合重建——以文山州为例

NDVI长时间序列被大量应用在生态环境动态检测、国土空间规划、植被物候提取和气象监测等领域,然而经过预处理后的NDVI数据依旧包含大量噪声。故本文利用S-G滤波方法、双Logistic函数拟合法及非对称高斯函数拟合法对文山州2010—2020年的原始数据进行重建。在像元尺度上计算拟合数据的相关系数(CC)和均方根误差(RMSE)比较其保真性;之后基于赤池信息准则(AIC)和贝叶斯信息准则(BIC)对拟合模型的拟合优度进行评价。实验表明:三种方法的拟合效果与不同植被类型有关,对森林、草地及灌木地NDVI值不易发生突变的地区A-G与D-L有更好的重建效果;而在NDVI值变化较强的耕地区域S-G较前两种方法更加精确。三种方法均方根大致相同,但D-L的相关系数最高,故D-L保真性较好;S-G在拟合模型效果上表现得更加稳定,A-G次之。

基于时间序列数据的货物运输方式与CO_(2)排放关系研究

为探究货物运输与其所产生的二氧化碳排放量之间的关系,应用自回归分布滞后模型(ARDL)和向量误差修正模型(VECM)相结合的方法对1960-2018年间的二氧化碳人均排放量以及公路、铁路、航空和内陆水路四种交通方式人均货运量这五类时间序列数据进行研究,确定它们之间的长期和短期动态关系,并通过格兰杰因果检验分析其中存在的因果关系。研究结果表明:长期来看,人均公路、铁路货运量分别增加1%,人均二氧化碳排放量将分别减少0.0479%、1.2057%,因此,铁路货运对二氧化碳排放的抑制作用最强,而人均航空、水路货运量分别增加1%,人均二氧化碳排放量将分别增加0.0999%、0.0717%,因此,航空与水路货运将导致二氧化碳排放量增多;短期来看,人均公路、铁路、航空与内陆水路货运量每增加1%则人均二氧化碳排放量将增加-0.0074%、0.0318%、0.0425%与0.1309%,因此,铁路货运在短期内对二氧化碳排放产生的正向影响最小;格兰杰因果关系检验表明人均公路货运量与人均二氧化碳排放量之间存在双向因果关系。因此,应加快推动公转铁进度,构建并完善公铁联运、铁水联运、公水联运等多式联运网络以实现降低货运碳排放的目标。

基于时间序列数据库的电网访问服务端风险预警研究

为增强电网访问服务端对于电量信号的承载能力,避免访问风险,提出基于时间序列数据库的电网访问服务端风险预警方法。确定电量挖掘深度,计算电网负荷量的具体数值,完成基于时间序列数据库的电网负荷分析。选取电压、电流作为预警对象,并分别计算上述指标参量在越限与过载情况下的数值水平,实现新型电网访问服务端风险预警模型的设计与应用。实验结果表明,与多态不确定性评估方法相比,在时间序列数据库作用下,电网访问服务端对于电压、电流两类电量信号的承载能力明显增强,能够更好避免风险访问行为的出现。

云数据中心时延优化的数据放置方法

针对云数据中心数据获取效率低和服务器资源浪费问题,为优化云平台的数据访问和资源利用,文中提出了一种时延优化的云数据中心数据放置(LOP)方法。文中首先分析了云平台的性能,建立了云平台的资源利用和数据获取时间模型。然后基于非支配排序算法NSGA-Ⅲ实现了全局最优的数据放置策略,对数据资源进行合理部署,有效利用服务器的资源,提高了数据获取的效率。最后通过CloudSim仿真平台,对提出的数据放置方法进行了仿真和对比实验。实验结果表明,LOP方法能明显提高云服务器的资源利用率,缩短任务的数据获取时间。