基于Elman型神经网络的金川二矿地表岩移时序预测模型

建立于煤矿开采基础之上的矿山开采沉陷理论和预测方法并不适用于象金川这样厚大、陡倾的金属矿床开采的岩移问题,因此,本文探讨利用神经网络来对地表岩移进行预测。根据Elman神经网络能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,提出了利用Elman神经网络建立地表岩移时序预报模型的方法。利用金川二矿区GPS监测所得到的时间序列数据,通过对Elman神经网络模型预测值与GPS实测值之间的比较,结果表明模型预测显示了良好的准确性,特别是在时间步长较短情况下,应用于实际预测一定程度上可以弥补金属矿山岩移预测方法不足的缺憾。

基于PSO-LSSVM时序预测模型的管网漏失信号识别

为解决城市供水管网的漏失问题,基于在供水管网各测压点收集的压力数据,构建粒子群(PSO)算法优化LSSVM的时序预测模型来预测压力监测点下一时刻压力值,并提出了城市供水管网漏失识别模型,通过监测点压力值与预测值的残差值是否在阈值范围内来判断管网是否处于正常工况。测试分析结果表明,改进的时序预测模型预测精度较高,可确定各压力监测点阈值,识别管网是否发生漏失事故,为相似工程提供借鉴。

一个基于范例推理的时序预测模型

本文在相似模型的统一描述的基础上,提出一个多层次的抽象范例重用框架,适用于进行描述和时序的预测。在时间序列的问题下,本文描述了多层次范例推理的方法,并且讨论了一些 CBR 循环常见的问题在时序预测中的情况。本文最后提供一个期货预测的例子,对本文的模型作了说明。

基于神经网络的黑体炉温度时序预测模型的建立

黑体炉作为标准黑体辐射热源,特别适合供多种非接触式测温仪表如光电高温计、光学高温计、辐射高温计等的分度和校验之用,但黑体炉在运行时无法预知温度的具体数值,这为实验和标定带来了诸多不便.本文在神经网络的基础上,建立了黑体炉温度时序预测模型。结果表明:神经网络不但能对黑体炉温度进行预测,而且比实际的测温仪表的精确度高出很多。

基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究

面向绿熟番茄采后持续转熟特征,适时调温是满足不同成熟度番茄适宜贮运温度需求的关键,而果实成熟度自动识别与动态预测则是实现温度适时调控的基础条件。本文基于Swin Transformer与改进GRU提出了一种番茄成熟度识别与时序动态预测模型,首先通过融合番茄两侧图像获取番茄表观全局红色总占比,构建不同成熟番茄图像数据集,并基于迁移学习优化Swin Transformer模型初始权重配置,实现番茄成熟度分类识别;其次,周期性采集不同储藏温度(4、9、14℃)下番茄图像数据,结合番茄初始颜色特征与贮藏环境信息,构建基于Swin Transformer与GRU的番茄成熟度时序预测模型,并融合时间注意力模块优化模型预测精度;最后,对比分析不同模型预测结果,验证本研究所提模型的准确性与优越性。结果表明,番茄成熟度正确识别率为95.783%,相比VGG16、AlexNet、ResNet50模型,模型正确识别率分别提升2.83%、3.35%、12.34%。番茄成熟度时序预测均方误差(MSE)为0.225,相比原始GRU、LSTM、BiGRU模型MSE最高降低29.46%。本研究为兼顾番茄成熟度实现贮藏温度柔性适时调控提供了关键理论基础。

Prophet时序模型在短期水质溶氧预测中的应用

Prophet是Facebook开源的一种时间序列预测模型,擅长处理具有大异常值和趋势变化的日常周期数据。针对Prophet时序模型在短时间数据上预测精度较低的问题,提出了基于Prophet改进的Prophet_SVR模型对未来2 h内溶氧参数进行预测,并利用对比模型在相同数据上进行对比试验。试验结果通过均方根误差(ERMSE)和平均绝对百分比误差(EMAPE)进行对比。结果显示:Prophet_SVR模型的试验结果相对于Prophet时序模型ERMSE下降0.1971,EMAPE下降3.8904%。试验对比可知,Prophet_SVR预测模型在降低预测整体误差和提升单个数值预测精度上效果更优。该方法训练模型的时间更短、效率更高,为短期水质参数预测提供了参考。

地铁隧道地表变形小波去噪及灰色-时序组合预测模型研究

以青岛地铁3号线地表变形横向观测线实测数据为例,开展小波去噪及时序组合预测模型的研究。首先,采用小波理论对观测值进行粗差剔除与去噪处理,根据均方误差最低、信噪比最高的原则,证实dmey小波1层分解、rigrsure软阈值小波去噪方法是最优的。其次,给出地铁隧道地表变形灰色-时序组合预测模型表达式,选用等维新息GM(1,1)模型和残差时间序列模型进行地表变形叠合预测。最后,通过小波去噪后时间序列预测模型、小波去噪前灰色-时序组合预测模型、小波去噪后灰色-时序组合预测模型进行计算分析,结果表明小波去噪后灰色-时序组合模型预测精度最高,并分析了各模型预测精度差别的成因。

基于高频遥感因子的EMD-ADL-MIDAS期货价格预测模型——以橡胶期货价格为例

本文以橡胶期货的特性为基础,构建了一个预测橡胶期货价格的因子体系,并进一步引入了高频的橡胶遥感因子,运用EMD-ADL-MIDAS模型进行实证预测分析。结果显示,橡胶遥感因子具有高度的准确性和可靠性,能作为预测橡胶期货价格的有效先行指标,为模型预测增添了价值。在模型改进方面,本文通过采用超参数最优组合的混频ADL-MIDAS模型处理不同频率的宏观数据与遥感因子,增强了混频信息的提取能力,模型预测效果相较于同频模型有显著改善。此外,本文将波动较大的橡胶期货价格进行了EMD分解,分解后的橡胶期货价格更为稳定,以便模型能更有效地捕获橡胶期货价格的趋势和季节性特征,从而进一步提高了模型预测的准确性。本文成果可为期货市场的各类参与者提供有力的决策支持,同时具有重要的理论和实践价值。

基于EMD的相空间重构极限学习机预测模型

针对气象领域中现有气象预测模型存在的准确率不高、建模时间过久、受噪音影响太大等问题,通过分析气象数据具有的时序性、混沌性和存在噪音等不确定特征,拟采用一种通过模态分解并构建于相空间基础之上的极限学习机技术。通过利用经验模态分解减少数据噪音,利用相空间重构技术提升学习规则提取和模型构建的有效性,并根据极限学习机所具备的快速构建的特性来构建预测模型。针对经典经验模态分解技术在IMF的筛选的阈值计算方法存在过筛选或者噪音数据去除不完整、去噪效果不理想等问题,提出动态阈值设定方法。在真实的数据集上对该预测模型进行对比测试,测试结果表明,该模型具有更好的预测精度,有效降低了数据噪音的影响。

一种基于并联组合模型预测站点流量的策略

随着流量数据的增加,网络流量呈现出复杂多变的特点,为了方便站点的运营和网络的管理,需要对网络流量进行预测。当前,网络流量预测多采用回归预测模型、卡尔曼滤波模型、神经网络模型、支持向量机模型等方法。文中考虑高性能计算环境下作业管理系统日志流量的特点和预测需求等因素,通过分析卡尔曼滤波算法和支持向量机的原理与缺点,提出了一种基于时间序列,结合卡尔曼滤波和支持向量机的并联组合模型,并对其进行了测试与分析。结果表明,在相同的环境下,基于卡尔曼滤波算法和支持向量机的并联组合模型相比于卡尔曼滤波算法和支持向量机单个模型对流量的预测与实际流量值误差更小,预测结果也是可靠有效的,更适用于预测站点流量。

我国能源加工转换效率与经济发展的关系分析及预测模型构建

通过主成分回归法分析了我国能源加工转换效率与经济发展的关系,认为能源转换效率结构对经济发展存在明显的影响,各种形式的能源转化效率之间存在明显的替代作用;为获得经济与能源加工转化效率结构协调发展的最优状态,构建了灰色时序组合预测模型。

链子崖危岩体时序预测软件包

该软件包通过汉化的人机界面，把链子崖危岩体大地形变监测数据信息库、图像分析系统及现时预测学中应用最广泛的时间序列分析（ＴＳＡ）与打印模块溶为一体。

基于RFID与基因表达式编程的经济统计时序挖掘

为解决基因表达式编程(GEP)在符号回归、RFID分类及经济领域中对时序数据的挖掘速度和精度还不够的问题,提出了统计基因、统计染色体和统计时序-适应度的定义,并针对传统GEP经济时序模型进行了综合改进;提出了新颖的单变量时序和多变量时序挖掘算法,提高了GEP统计时序挖掘的速度和精度;实验表明,与传统GEP、单变量GEP时序算法相比,多变量GEP时序算法挖掘速度快,其预测精度比单变量时序算法高出5%以上。该算法同样适用于RFID以及其他经济系统中的时序数据挖掘。

蒸汽用量的时序分析

本文利用多元时序分析方法 ,建立蒸汽用量的二维时序预测模型ARV( 1 ,2 ) 。

基于时间序列模型的ST上市公司财务困境预警研究

目前,经济发展形势发生重大变化,企业因陷入财务困境面临经营危机乃至破产清算的风险大大增加。本文构建融合ARTXP算法与ARIMA算法的时间序列预测模型对26家ST公司开展实证研究,结果发现:融合了两类算法的时序预测模型对影响ST公司财务困境程度的关键财务指标具有良好的预测效果。

云锡矿工肺癌的时间序列预测与分析

本文采用时间序列方法中的 AR 模型和非平稳时间序模型对云锡老矿各年代下井矿工的肺癌死亡进行了预测,得到了1936～1995年期间各组矿工肺癌死亡的预测情况,并在此基础上进行了分析,对解放后所采取的防护、防治措施的奏效程度进行了评价,对云锡矿工肺癌的发病趋势作了宏观和微观的结论,是一篇综合性的论文报告。

基于数据挖掘的南网异地容灾数据负载分析及磁盘空间预测

为保障中国南方电网"6+1"企业级信息系统数据的安全可靠,南方电网公司建设南方电网(肇庆)异地数据级灾备中心,以异地备份的方式作为"6+1"企业级信息系统数据的容灾手段。肇庆异地数据级灾备中心承载着南网总部及南方电网五省的异地备份数据,具有数据量大、覆盖面广、重要性高的特点。但随着信息系统的数据量不断增长,给灾备中心的存储设备带来的压力与日俱增,如何应用大数据分析方法降低设备故障风险,成为运维容灾中心的一个研究方向。本文中采用ARIMA时序模型对南方电网异地数据级灾备中心的存储设备进行磁盘空间预测和负载分析,以实现准确预测未来磁盘容量的变化趋势作为目标,采用主动预测的方式减少或避免因数据量增加导致的系统故障,提高异地备份数据的可用性、可靠性、及时性。