基于时间序列分析的某地区中长期负荷预测研究

随着我国经济蓬勃增长,城市不断扩张,用电需求迅速攀升,电力已成为各领域不可或缺的关键要素。精确的负荷预测可以最大化资源的有效利用,确保电力供应的可靠性,有助于促进电力体系的可持续发展。介绍了对时间序列分析方法,根据某地区电量负荷增长情况,提出了以时间序列分析为基础的负荷预测模型。基于某地区2003—2022年供电量作为历史数据,在时间序列法中采用ARIMA模型与指数平滑法这两种方法,对2023—2028年负荷量进行预测,为某地区未来电网规划提供数据基础。

简易季节时间序列资料分析方法

简易季节时间序列资料分析方法第三军医大学卫生统计学教研室许汝福，王文昌，尹全焕，张蔚关于季节时间序列资料的分析通常采用经典时间序列分析技术，对其长期趋势、季节变动、周期变动及不规则变动等方面进行分析［１］如季节自回归模型［２］，季节变动分析法［３］等...

季节性波动时间序列预测的分解季节指数法

本文在分析研究已有季节性波动时间序列的预测方法基础上 ,提出了一种简单、易懂的实用预测方法 ,并通过实例验证了该方法是可行的。

基于时间序列分析法的静脉用药调配工作量波动分析及预测

目的探讨静脉用药调配中心(pharmacy intravenous admixture services,PIVAS)长期医嘱工作量的波动特征,构建以日为单位频次的工作量波动预测模型,为PIVAS工作模式的调整提供参考。方法选取复旦大学附属中山医院东院区PIVAS2020年7月至2021年6月长期医嘱日工作量数据,采用时间序列分析法分析工作量波动特征并构建预测模型,通过拟合参数及预测结果验证模型精度。结果PIVAS长期医嘱日工作量数据波动具有周期性、短期缓慢上升和不规则变动等特征;采用温特斯乘法模型拟合序列,Ljung-Box统计量的显著性值(P值)为0.060(P>0.05),R2=0.777,拟合值与实际值的平均绝对误差为4.45%,表明模型拟合精度高;预测结果与实测结果平均相对偏差为3.81%,说明模型预测有效。结论时间序列分析法可用于PIVAS长期医嘱工作量的分析预测,但因医嘱工作量存在周期性、不规则变动等波动规律,故需根据工作量波动特征及预测结果调整工作模式,以保障PIVAS高效运营。

基于时间序列分析的葡萄酒指数预测方法

葡萄酒作为一种较为保值的产品越来越受到投资者的青睐,对其价格走势的预测也越来越引起人们的重视。基于时间序列分析的原理,选取了LIV-EX 500指数的相关数据进行了研究,使用两种指数平滑法和ARIMA模型对指数进行了预测,为葡萄酒投资者的决策提供参考。

时间序列法下三种数据预测模型的准确性对比分析——基于我国新能源汽车行业整体市场需求预测

需求预测一般是针对未来一定时间内,企业或用户对产品或服务的需求数量和需求金额的估计。而供应链需求预测是进行供应链计划管理的首要任务,是制订供应链需求与供应计划以及进行供应链库存计划与控制的前提。目前在市场需求预测中常用的有两大类方法:一类是定性预测法,主要包括:德尔菲法、头脑风暴法等,本文暂不使用该类方法探讨。另一类是定量预测法,主要包括:时间序列法、因果联系法。本文将重点对比分析时间序列法中的三种不同方法的实际运用:简单移动平均法、加权移动平均法、指数平滑法。在加强排放法规、加大新能源汽车财税优惠、加速产业布局等举措下,我国新能源汽车市场呈现快速增长态势,成为全球新能源汽车增长的重要推动力,但也存在市场波动、经济发展、技术进步、地缘政治等各种不确定性因素的干扰。本文结合历史数据,主要利用三种时间序列模型对中国新能源汽车行业某一月份的市场需求预测值进行对比分析,找出预测精确性更高的模型方法。因考虑到各家新能源汽车22年月度数据不完整性,故而使用行业协会提供的全行业的历史供需数据作为分析样本,这就需要忽略作为企业实体的个性化因素。

基于R/S类分析法的风速时间序列Hurst指数分析

针对风速时间序列具有确定性与随机性相结合的非线性特征,研究了R/S类分析法对不同FGN时间序列的计算精度以及不同实测风速时间序列的Hurst指数。结果表明:对于长FGN时间序列,理想Hurst指数较低时CRS分析法的结果最接近理想值,理想Hurst指数较高时Lo分析法得到的结果最精确;对于短FGN时间序列,理想Hurst指数较低时CRS分析法较精确,理想Hurst指数较高时V/S分析法的结果较精确;风速时间序列具有'1/f波动'的特点,且呈长期相关性;长风速时间序列具有长期相关性和强短期相关性;短风速时间序列具有强长期相关性,与长风速时间序列具有强短期相关性相吻合。

考虑模糊时间序列的高维大数据挖掘方法研究

高维空间的大数据维数越高,其高维索引结构的性能越差,无法通过数据之间的相似性度量完成挖掘。为此,提出基于模糊时间序列预测的高维大数据挖掘方法。对初始的高维大数据集求取各维度数据的属性信息熵,根据信息熵筛选数据,通过主成分分析备选集合中的数据属性,结合成分协方差与特征值,降低数据维度。采用K均值聚类算法二分聚类处理降维数据,取得粗聚类结果。利用支持向量机的最优超平面与决策树作细化分类。基于时间序列上的数据极值,明确数据集的论域个数与范围,根据模糊化处理的模糊集序数,建立模糊逻辑关系,建立模糊时间序列预测模型,对大数据去模糊化处理,完成高维大数据挖掘。选用UCI大数据库作为样本集设计对比测试实验。实验结果验证了研究方法的大数据挖掘精度更高,数据挖掘加速比高达0.9以上,说明所提方法的实时性较强,具备更好的应用性能。

基于时间序列分析的重大突发公共卫生事件对医疗服务的影响研究

目的以新型冠状病毒肺炎(corona virus disease 2019,COVID-19)疫情为例,分析重大突发公共卫生事件对湖南省某医院医疗服务的影响。方法采用中断时间序列分析(interrupted time series,ITS)方法,分析疫情前(2019年1月-2020年1月)与疫情后(2020年2月-2020年12月)某医院服务数量、医疗效率、疾病疑难程度、费用水平等指标的变化情况;建立自回归滑动平均混合模型(autoregressive integrated Moving average model,ARIMA)乘积季节模型,假设未发生COVID-19疫情情况下对2020年的出院量和门诊量进行预测,通过对比预测值与实际值的差异,评估COVID-19疫情对医疗服务量的影响。结果COVID-19疫情对医疗服务具有显著的即时影响,该医院医疗服务数量和医疗效率显著下降,疑难危重患者增加,费用水平升高,但后期均逐步恢复。ARIMA模型结果显示,2020年出院量较预测值减少43038人次(25.62%),门诊量减少806337人次(26.93%)。结论突发重大疫情对综合医院医疗服务影响显著,常态化疫情防控背景下全面恢复医疗服务面临挑战。建议医院逐步建立“平急结合”医疗救治体系,大力发展互联网+医疗的线上诊疗体系。

R/S分析法和时间序列相似性在证券指数预测上的应用

对于我国的证券市场,学者们普遍认为我国证券市场的证券指数的时间序列是序列相关的。所以,本文应用R/S分析法对上证指数进行实证研究,探究上证指数的自相似性和长程相关性等分形特征。获得上证指数的平均周期长度之后,利用相似性度量方法在上证指数的历史序列中,查找与参考模式最相似的周期趋势序列。在取得历史相似性周期之后,利用神经网络进行拟合,在拟合的基础上进行上证指数的预测。

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。

水文时间序列多时间尺度分析的小波变换法

以长江宜昌站近 10 0年 (1890～ 1987)年平均流量过程为例 ,利用Marr小波和Morlet小波变换对水文序列的多时间尺度演变特性进行了分析。研究结果表明 ,其年际及年代际时间尺度在时间域中分布很不均匀 ,具有明显的局部化特征。小波变换法分析水文水资源系统多时间尺度是优越的。

基于Box-Jenkins方法的黄河水质时间序列分析与预测

采用基于Box-Jenkins方法的时间序列分析技术,对黄河上游甘肃兰州段、中游吴堡和下游山东利津段的水质进行了趋势分析和预测。选取对水质产生影响较大的两个污染因子化学需氧量(CODMn)和溶解氧(DO)1994—2003连续10a的月平均水质监测数据,借助Matlab和SAS统计软件,建立了ARIMA模型和乘积季节时间序列模型,并分析了这两个污染因子随时间推移的变化规律。结果表明:ARIMA模型和乘积季节模型能够用于短期水质预测,并且预测效果较好。黄河流域从上游到下游水质总体状况呈逐渐下降趋势,上游水质一般为Ⅱ和Ⅲ类,而中游和下游水质基本为Ⅳ、Ⅴ和超Ⅴ类。

用时间序列分析法进行建筑物沉降观测数据处理的研究

本文将时间序列分析法用于建筑物沉降观测数据处理,给出了用此法进行沉降观测数据处理时模型阶数确定的统计检验方法、模型参数估计以及预报分析的方法,以某建筑物沉降观测第30期的测量成果为例说明应用此法的全过程,并对计算结果进行了分析比较。