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。

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。

基于分数整合自回归移动平均模型的山西省手足口病预测研究

目的探讨分数整合自回归移动平均(ARFIMA)模型在手足口病发病率预测中的可行性。方法基于Python语言,以山西省2008年1月至2021年8月手足口病发病率数据为训练集建立ARFIMA模型和自回归移动平均(ARIMA)模型,以2021年9月至2022年8月数据为测试集对所构建的两种模型进行效果评价,选用最优模型对2022年9月至2023年8月山西省手足口病发病率做出预测。结果建立ARFIMA(4,0.05,5)模型和ARIMA(5,1,2)模型,残差白噪声检验P≥0.05。利用构建好的ARFIMA模型和ARIMA模型对测试集进行预测,平均绝对误差分别为0.92、1.58,平均绝对百分比误差分别为1.28、1.67,均方误差分别为1.18、3.56,均方根误差分别为1.09、1.89。使用较优ARFIMA(4,0.05,5)模型预测2022年9月至2023年8月山西省手足口病月发病率在0.13/10万~3.51/10万。结论相比ARIMA模型,考虑了序列长记忆性的ARFIMA模型可较准确地预测山西省手足口病发病趋势,在手足口病防控中具有现实意义。

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

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%。

福清核电厂周边气溶胶中总β放射性水平分析与ARIMA模型构建优化

以2015年5月—2022年12月福清核电厂周边气溶胶总β活度浓度逐月监测数据为基础,运用统计学斯皮尔曼(Spearman)秩相关系数法探讨了监测点之间、监测点与对照点之间的相关关系,利用一元线性回归法分析了总β活度浓度与降雨量之间的关系。结果表明,总β活度浓度监测值与降雨量均表现为负相关,且没有明显的季节性。调研并比对分析了国内及美国压水堆核电厂周边气溶胶中总β放射性水平。探讨了整合移动平均自回归模型(ARIMA)在分析预测核电厂周围气溶胶中总β活度浓度的应用,建立并优化了适合福清核电厂周边气溶胶中总β活度浓度的预测模型ARIMA(2,1,1)(0,1,1),有助于开展福清核电厂周边气溶胶中总β活度浓度的预报和预警。

自回归整合移动平均模型在医院药库采购预测中的应用

目的:探讨利用自回归整合移动平均模型(ARIMA)预测的采购新模式提高医院药库工作质量和效率。方法:采集2008年01～47周药品消耗数据,根据ABC分类法确定A类品种,并从中随机抽样10个品种,基于2008年01～44周的数据,应用SPSS13软件作ARIMA模型建模拟合,用所得到的模型作45～47周预测,并比较实际消耗数据。结果:利用ARIMA模型预测的采购件数与实际消耗数基本相符,数量预测准确率为89.19%,整件预测准确率为97.56%。结论:ARIMA模型能够很好地拟合并可获得较高的中短期预测精度,能够为采购提供科学合理的决策支持,做到既不断货也不积压,合理控制药品库存量。

基于ARIMA模型的广州市中医药卫生资源配置预测分析

本文收集了广州地区2003年至2022年的中医药卫生技术人员和医院床位数等数据,采用R语言构建自回归整合移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)进行中医药卫生资源配置预测研究,分析了广州市中医药卫生资源的情况以及发展趋势,为广州市相关中医药卫生政策制定提供参考依据。

基于多元线性回归与ARIMA组合模型的水电功率预测研究

提出了一种基于多元线性回归模型与整合移动平均自回归模型(ARIMA)的组合预测模型,运用优化组合的模型预测水电功率。其主要操作是先用多元线性回归模型预测出一个结果,然后再用ARIMA模型预测出一个结果,将两者的结果分别与一个系数相乘再相加,得出一个组合模型。实验结果表明,该组合模型在预测精度方面有一定程度的提高,具有一定的实用价值。

基于多元线性回归与ARIMA组合模型在热轧现货价格预测中的应用

为了实现对热轧现货价格变化的短期预测,本文提出一种基于多元线性回归模型与整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)模型的组合预测模型,运用优化组合的模型预测热轧现货未来的现货价格。实验结果表明,该组合模型在预测精度方面有提高,具有一定的实用价值.

高拱坝施工仿真参数ARIMA-LSTM时序概率预测方法

现有的高拱坝施工仿真参数更新研究多是单独进行概率预测或考虑时序特性进行点预测,难以在考虑参数的时序特征的同时对其随机性进行定量描述。针对此问题,本研究利用差分整合移动平均自回归(ARIMA)模型可进行考虑时序特征的概率预测,且长短时记忆网络(LSTM)模型可以学习参数时序复杂非线性特征的优势,提出基于ARIMA-LSTM的高拱坝施工仿真参数更新模型。该模型通过ARIMA模型进行参数时序线性部分预测,并利用LSTM模型对ARIMA模型输出的残差进行训练预测,将ARIMA模型得到的线性预测结果和LSTM模型预测得到的残差非线性结果融合,再进行95%置信区间的概率预测得到最终结果,实现高拱坝施工仿真参数在考虑参数的时序特征的同时对其随机性进行描述。通过与ARIMA、ARIMA-BP、随机森林(RF)模型进行对比,本文所提出的方法具有较高精度(MSE为0.518、MAE为0.519、RMSE为0.720),将预测得到的施工仿真参数输入到高拱坝施工系统中进行仿真计算,得到仿真结果比传统仿真精度有较大提升。

临水深基坑素咬合止水桩土石围堰深层水平位移预测

针对临水深基坑素咬合止水桩土石围堰降水施工过程土体深层水平位移速率频繁超预警值的问题,采用差分整合移动平均自回归模型对不同施工阶段的2个测点共计3440个深层水平位移数据区分不同样本数进行短期预测,通过模型评价、偏离分析、方差分析、回归分析等多种方法验证短期预测结果的准确性,通过模型参数统计确定参数范围和分布概率,确定短期预测数据可靠性后进行长期预测,结果表明:差分整合移动平均自回归模型用于临水基坑素咬合止水桩土石围堰下的土体深层水平位移预测,具有较强的适用性,能满足不同施工阶段的预测,最终预测的最大深层水平位移累计值在累计报警值以内,顺利指导了降水施工。

基于ARIMA算法特征补齐的语音情感识别

语音情感识别的数据集普遍存在语音数据长短不一致的现象,进行补零处理会造成无用信息的冗余。针对此问题,提出了一种基于差分整合移动平均自回归ARIMA算法特征补齐的语音情感识别算法。首先进行特征的选取,并利用ARIMA方法进行语音特征的补齐。然后,基于因果扩张卷积神经网络和长短期记忆网络,构建语音情感识别模型。最后,采用柏林语音集进行实验,结果表明:用ARIMA方法对特征进行补齐,一定程度上提高了模型的表现力;使用因果扩张卷积搭建模型,增加了模型的泛用性。

基于数据分解及因果推理的设备可靠性预测模型

为解决设备的可靠性数据受多种因素影响而同时具有线性特征和非线性特征的问题,提出1种集合经验模态分解法辅助的设备可靠性预测组合模型,该模型结合差分整合移动平均自回归模型和因果推理模型。首先,对原始数据采用集合经验模态分解法,得到固有模态函数分量和余项;其次,将模态函数分量输入差分整合移动平均自回归模型得到线性分量,进而将线性分量和原始数据作差,得到非线性分量;最后,基于该非线性分量,提出因果分析模型,实现对设备可靠性的有效预测。研究结果表明:与流行的可靠性预测模型相比,组合模型分别在平均绝对误差和均方根误差指标上降低0.015 9和0.026 5,进一步证明本文所提方法的正确性和有效性。研究结果可为工业生产中提升设备可靠性预测提供新思路。

我国绿潮灾害时间序列特征的模拟与预测

基于2010—2019年黄海绿潮卫星遥感影像资料,构建绿潮覆盖面积时间序列分析方法。将每年5月8日—8月7日成像条件较好的遥感监测数据预处理为周平均时间序列,将2010—2018年设定为模型训练集,2019年设定为模型验证集。基于Box-Jenkins法构建了差分整合自回归移动平均模型ARIMA(2,0,2)、加法季节性模型SARIMA(1,0,0)×(0,1,0)_(12)和乘法季节性模型SARIMA(1,0,0)×(0,1,1)_(12),3个模型都通过模型白噪声检验和参数显著性检验,具有较好的模拟效果和可预测性。SARIMA(1,0,0)×(0,1,1)_(12)的赤池信息准则值最小,2019年平均绝对误差为95.56 km^(2),均方根误差为156.74 km^(2),与ARIMA(2,0,2)相比,MAE提高12%,RMSE下降1.2%,SARIMA(1,0,0)×(0,1,0)12的预测精度最低,MAE和RMSE分别为115.12 km^(2)和192.16 km^(2)。

基于LSTM-ARIMA算法的发电机定子线棒出水温差预测

对定子线棒出水温度的最大温差进行预测,对于保障汽轮发电机的安全运行具有重要意义。但由于发电机运行过程中工况多变,温差时间序列变化模式复杂,因此趋势预测相对困难。本文使用长短时记忆(LSTM)神经网络对复杂的变化模式进行学习,并进一步融合了差分整合移动平均自回归(ARIMA)模型,用以弥补工况多变导致的训练不足的问题,从而对LSTM神经网络的预测结果进行修正。然后,在型号为QFSN-660-2-22的汽轮发电机运行数据上开展了实验,结果表明该方法预测效果优于单独的LSTM神经网络和ARIMA模型算法,并且可用于短期预警,准确率高于95%。

基于残差优化模型的PM2.5浓度预测算法

雾霾天气的产生越来越频繁,其主要原因是大气中PM2.5浓度的增加。合理有效的PM2.5浓度预测方法对于科学治霾有着重要意义。传统的差分整合移动平均自回归(Auto-Regressive Integrated Moving Average, ARIMA)模型只适合处理线性特征,而循环神经网络预测PM2.5只是对齐非线性特征进行拟合。于是提出将ARIMA模型与循环神经网络模型组合,以陕西省西安市作为研究对象,对PM2.5进行预测。ARIMA-GRU模型的预测结果的MAE、MSE、RMSE均小于ARIMA-LSTM模型,r、R2更接近1。