基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入N-HiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。

数学建模竞赛中数据驱动的预测方法之比较

本文针对数学建模竞赛中基于数据驱动的预测问题,详细介绍了数据拟合法、插值法、回归法、神经网络模型、时间序列模型的优缺点,并分别采用这些方法对同一数据集进行了未来一年销售数据的预测。发现对于本文给定的数据,时间序列ARIMA模型预测效果最好。

消防救援问题研究

本文主要研究了消防救援问题,利用消防救援出警数据,对出警次数进行预测,有助于提高消防救援队的救助效率。基于灰色预测模型和时间序列预测模型预测了四天的出警次数,并对消防救援队值班人数进行合理分配。建立BP神经网络模型进行非线性系统建模,提出一种预测2021年消防救援出警次数的方法,并利用SPSS软件建立10种数学模型,通过拟合度比较得出三次回归模型拟合度最佳的回归方程。最后,本文使用克里金插值模型实现事件密度在空间上的数据可视化,并对不同区域事件类别进行相关性分析,得到不同区域中事件类别②的相关性最强。