基于深度学习的核武器数量预测

核武器是指利用能自身持有进行的原子核裂变或聚变反应瞬时释放的巨大的能量,产生爆炸作用,并具有大规模毁伤破坏效应的武器。核武器的出现改变了传统战争的规模和样式,对人类和地球上生物的生存和发展产生了深远的影响。为了维护国家安全和世界和平,准确预测世界各国核武器数量以评估各国军事力量是十分必要的。核武器数量的变化是多因素影响的结果,变化趋势复杂,难以预测。对此,提出一种基于双向LSTM网络的核武器数量预测模型。实验选择了中国、法国、俄罗斯、英国、美国和以色列六个国家1938年至2023年核武器数据作为研究对象,对原始数据进行预处理和相关性分析,构建了双向LSTM模型进行拟合预测,利用可视化技术分析预测结果,调节参数并进一步优化模型。实验选择R2、MAE和RMSE作为评估指标,分别为:0.8635、14.4188和17.7144。结果表明,双向LSTM模型预测结果优于Prophet模型,这证明了所构建的双向LSTM模型的有效性。

改进的Prophet融合误差预测模型应用于大气二氧化硫时序预测

近年来,天气预报中的空气质量预报成为大众尤为关心的热点,由于二氧化硫对空气质量水平变化的影响较大,因此准确预测二氧化硫的浓度变化尤为重要.采用XGBoost模型对Prophet模型的预测误差进行修正,建立改进的Prophet融合误差预测模型,对于空气质量中的关键指标二氧化硫进行时序预测.将时序数据输入Prophet模型,对Prophet生成的预测结果与源输入比较求出残差,构建关于残差的时序序列,利用XGBoost进行残差时序建模,获取残差的修正值,将修正值返回输入到Prophet模型.通过上述步骤,构建特定时序数据融合模型.实验数据表明,融合模型在预测结果中的平均绝对误差和均方根误差分别为1.08和1.38,与Prophet相比,误差指标分别降低2.47,2.45;与差分整合移动平均自回归模型相比,误差指标分别降低0.49,0.47;与XGBoost模型相比,误差指标分别降低0.54,0.52.证明融合模型的预测精度优于上述模型.

道路交通流数据预测方法研究综述

道路交通流预测作为智能交通系统中的重要分支,在道路拥堵预测、路径规划等方面起着重要作用。道路交通流数据时空多态、关联性复杂的特性迫使大数据时代下的道路交通流预测方法转型和升级。为了深入挖掘交通流时空性的特征,学者们相继提出各类方法,包括模型融合、模型算法改进、数据定义转换等方式,以求提高模型的预测精度。为了合理综述各类交通流的预测方法,根据所用方法的种类分为三大类:基于统计学的方法、基于机器学习的方法、基于深度学习的方法。通过综述各类交通流预测方法,对近年来新出现的模型与算法进行概括与分析,旨在为相关研究学者提供研究思路。对交通流预测方法进行了总结及展望,给出未来交通流预测领域的探索方向。

SINGULAR SPECTRUM ANALYSIS:METHODOLOGY AND APPLICATION TO ECONOMICS DATA

This paper describes the methodology of singular spectrum analysis (SSA) and demonstratethat it is a powerful method of time series analysis and forecasting,particulary for economic time series.The authors consider the application of SSA to the analysis and forecasting of the Iranian nationalaccounts data as provided by the Central Bank of the Islamic Republic of Iran.