基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。

基于时间序列ARMA模型的振动故障预测

运用自回归滑动平均(ARMA)模型和聚类分析方法确定参考样本和故障样本的特征向量,通过特征向量的距离识别故障类型。根据汽轮机典型故障构造模拟信号,建立其ARMA预测模型,通过聚类分析得出标准信号及待测信号的特征向量。经验证,基于ARMA预测模型和聚类分析的方法能够正确识别故障类型。

时间序列ARMA模型及其应用

本文叙述了动态数据的分析与处理方法，时间序列预测模型的建模过程及参数估计的计算方法，并将模型实际应用。应用结果表明：本预测模型对动态数据进行预测是可行的。

时间序列ARMA模型的应用

对时间序列分析方法进行了介绍,对时间序列模型进行了研究。分析了时间序列模型的建立过程,并利用其中的ARMA模型对一个实例进行预测。结果表明,ARMA时间序列模型的预测结果是合理的。

非线性时间序列ARMA模型的优化估计法

提供了一种ARMA模型参数的优化估计法—阻尼最小二乘法,它结合了Newton法和最速下降法的优点,既保证了迭代计算的收敛性,又加快了收敛的速度.当初值的精度较差时,更宜采用阻尼最小二乘法.而且本文给出实例的MATLAB程序,并利用t统计量检验出:阻尼最小二乘法要比最小二乘法的参数估计值更为显著,拟合模型更优.

非线性时间序列ARMA模型的优化估计法

本文提供了一种ARMA模型参数的优化估计法—NLBFGS算法,它收敛速度快,且只须一阶导数的信息,不需求逆矩阵,和具有超线性收敛性等优点。而且本文给出实例的MATLAB程序,并利用t统计量对ARMA模型参数估计进行了检验:拟合模型效果显著。

基于时间序列ARMA模型的广东省能源需求预测

广东省能源消耗量大,自给率低,能源供需矛盾已成为影响经济发展的重要因素,准确预测未来能源需求对于制定合理的经济发展战略和能源安全战略有着重要的借鉴意义。采用1979—2006年广东省能源消费总量数据,并根据建模要求对数据进行处理,在此基础上利用时间序列相关理论及ARMA模型对广东省未来能源需求量进行了相关预测,并得出能源需求的模型。从检验结果来看,此模型误差率低,预测效果好。

基于时间序列ARMA模型的建筑物沉降预测研究

在我国城市化进程中,高层建筑物越来越多。为了保证建筑物的正常使用寿命和建筑物的安全性,很有必要对建筑物进行长期和系统的监测。本文采用时间序列分析法,利用建筑物观测的15期沉降数据建立ARMA模型,对未来3期的沉降值进行预测,通过与实际值进行对比,从检验效果上看,此模型预测精度高,效果好。

基于时间序列ARMA模型的江西省能源需求预测分析

江西省能源消耗量大，自给率低，能源供需矛盾已成为影响经济发展的重要因素。本文采用1987—2011年江西省能源消费总量数据，并根据建模要求对数据进行处理，在此基础上利用时间序列相关理论及ARMA模型对江西省未来能源需求量进行了相关预测，并得出能源需求的模型。从检验结果来看，此模型误差率低，预测效果好。

基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

中国内地GPS坐标时间序列噪声模型特征及其对站点速率影响

为了进一步评估全球定位系统(GPS)时间序列噪声模型水平和垂直速率的大小,及其对误差的影响,选取中国内地227个GPS连续基准站2010—2020年南北、东西和垂直3个方向的坐标时间序列,采用6种噪声模型或噪声组合模型对其进行噪声分析。结果表明,中国内地GPS坐标时间序列噪声模型存在多样性,且部分站点在不同方向的噪声模型也存在差异,主要以一阶高斯马尔可夫+随机漫步噪声(GGMWN)和闪烁噪声+白噪声(FNWN)为主;在100°E附近的GPS站点噪声特性差异最为显著;噪声模型与速率之间的关系分析表明噪声模型对水平向速率的大小和误差影响较小,在现实计算中可不考虑噪声对水平速度的影响,但对垂向速率的大小和误差影响显著;考虑噪声模型可有效提高垂向速率的精度,同时也可能会改变部分站点的垂向运动方向,所以在现实计算中须考虑噪声对垂向速率的影响。

基于一类非线性时间序列模型的锂离子动力电池建模研究

伴随着新能源产业的飞速发展,锂离子动力电池作为一种高效的储能方式,已成为电动汽车的重要组成部分。在电池管理系统的功能中,电池的高精度建模至关重要。在实际应用中,电池不是一个线性系统,其输入和输出由于外部扰动等原因表现出非线性特征,从而直接影响参数识别效果,进而影响模型精度。鉴于此,本文对锂离子动力电池进行了Hammerstein-ARMAX(Autoregressive MovingAverage with Extra Input)模型构建,并对模型参数的估计方法进行研究,旨在提高模型的准确性。实验结果表明了该方法的有效性。

基于时间序列模型ARIMA的校园供水管网暗漏检测研究

为了及时发现校园供水管网暗漏情况,减少水资源浪费和降低暗漏检测成本,在获取校园各区域水表数据的基础上,根据学校用水规律及特点,建立基于时间序列模型ARIMA的用水量预测模型,分析预测用水量与实际用水量之间的差异性,进而判断校园供水管网是否存在暗漏,构建校园供水管网暗漏检测模型。结果表明,基于时间序列模型ARIMA的校园供水管网暗漏检测模型判断正确率为80%,实际应用效果良好,可以作为校园供水管网暗漏检测的一种预警方法。此方法是基于水表数据的数据模型方法,省时省力省钱,并且可以拓展到其他场所使用。

基于时间序列的改进型永磁同步电机三矢量无模型预测电流控制策略

针对永磁同步电机驱动系统传统的三矢量模型预测电流控制策略参数鲁棒性差的问题,提出一种基于时间序列的改进型三矢量无模型预测电流控制策略,以消除参数失配的影响,提高系统的鲁棒性。首先,建立时间序列数据驱动模型,将输入输出数据拟合为离散传递函数,并结合递归最小二乘法在线估计模型待定系数,预测所需变量。此外,对矢量扇区进行重新分类,以优化三矢量组合的选择过程。引入矢量占空比直接计算方法,抑制电机参数入口对占空比计算环节的不确定性影响,进一步提高系统的鲁棒性。最后,仿真和实验结果表明,所提出的策略能有效提高模型参数的鲁棒性,dq轴电流纹波减小,电机参数变化引起的干扰得到有效抑制。

环境卫生与医院感染的时间序列研究:基于广义相加模型(GAM)

目的定量分析环境卫生对医院感染发生的影响。方法收集某三甲医院2018年1月—2022年12月医院感染与环境卫生学监测资料,采用时间序列的广义相加模型分析环境检出菌落形成单位(CFU)对医院感染发生的影响。结果单污染模型显示,医院感染与工作人员手细菌菌落数之间存在显著正相关性(β1=0.009,P=0.012),工作人员手月度平均菌落形成单位(MCFU/Dish)每升高1个四分位数间距(IQR),医院感染发生率增加13.28%(95%CI:2.82%~24.81%);亚组分析与滞后效应分析显示,工作人员手月度MCFU/Dish(卫生手消毒后)升高1个IQR,当月(lag0)医院感染超额风险(ER)为16.26%(95%CI:15.45%~17.09%)。多污染模型中,物体表面污染与医院感染的相关性同样具有统计学意义。结论医院环境卫生与医院感染之间存在显著相关性。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

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。

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

基于超局部化时间序列的永磁同步电机无模型预测电流滑模控制策略

在复杂环境、多变负载工况中,由于时变电感参数、磁场耦合、铁心饱和等影响,电机控制精度及可靠性下降。为解决以上问题,该文充分利用时间序列模型反映电机电压、电流等状态变量之间关系,消除传统参数化建模的影响,提出基于超局部化时间序列的无模型预测电流滑模控制(SMC)方法。该方法将时间序列数据驱动模型超局部化,提升传统超局部模型精度,并采用递归最小二乘法(RLS)在线估计和更新模型中全部待定系数,实时精准响应当前系统工作状态。在此基础上,结合超局部时间序列模型,生成滑模控制函数,并设计Lyapunov方法验证函数趋近条件。实验结果表明,与传统控制方法相比,提出方法具有更强的鲁棒性、更优的电流质量和较低的系统噪声。

基于时间序列模型的北京市院前急救出车车次预测分析

目的研究分析北京市院前急救出车车次,预测未来时间内的出车车次,以期为北京市院前急救建设及发展提供参考。方法采用描述性统计方学法分析北京市2018年—2022年院前急救出车车次基本情况;使用SPSS 26.0统计软件建立时间序列模型,运用“专家建模器”自动选择最优模型,对北京市2023年院前急救出车车次进行预测。结果北京市2018年—2022年院前急救出车车次逐年上升,2022年出车车次是2018年出车车次近2倍,每年出车车次最高、最低月份分别为12月、2月;时间序列模型自动选择最优模型为“温特斯加型”,模型拟合度R方为0.896,平稳R方为0.377,杨-博克斯Q(18)统计量的显著性P值为0.642,数据拟合效果良好;预测值与实际值平均绝对百分比误差(MAPE)为6.85%,模型的预测能力“优良”;较好预测了2023年院前急救出车车次。结论北京市院前急救出车车次呈逐年上升趋势,院前急救公共卫生服务能力有效提升;时间序列模型较好地拟合北京市院前急救出车车次变化趋势并进行预测,助力适时调配院前急救服务资源;推进北京市院前急救供给侧改革完善,赋予院前急救服务体系更高韧性。