高阶直觉模糊时间序列预测模型

提出一种高阶直觉模糊时间序列预测模型。模型首先应用模糊聚类算法实现论域的非等分划分;然后,针对直觉模糊时间序列的数据特性,提出一种更具客观性的直觉模糊集隶属度和非隶属度函数的确定方法;最后,利用直觉模糊多维取式推理建立高阶模型的预测规则,进行预测。在Alabama大学入学人数和北京市日均气温2组数据集上分别与典型方法进行对比实验,结果表明该模型有效提高了预测精度,证明了模型的有效性和优越性。

基于DTW的长期直觉模糊时间序列预测模型

针对现有直觉模糊时间序列模型中直觉模糊关系组和确定性转换规则过度依赖训练数据规模的问题,提出一种基于动态时间弯曲(DTW,dynamic time warping)距离的长期直觉模糊时间序列预测模型。通过直觉模糊C均值(IFCM,intuitionistic fuzzy C mean)聚类构建直觉模糊时间序列片段库,动态更新和维护规则库,减少系统复杂度。提出基于DTW距离的直觉模糊时间序列片段相似度计算方法,有效解决不等长时间序列片段匹配问题。通过对合成数据以及包含不同时间序列模式的气温数据的实验,与其他相关模型比较,说明该模型对于不同时间序列趋势变化模式中均具有较高的预测能力,克服传统模型提高模型只能满足单一模式时间序列预测,提高模型的泛化性能。

一种新的模糊时间序列预测模型

利用模糊系数实变量的线性方程组建立了一种新的模糊时间序列预测模型。模型的求解被转化为一种二次规划问题 ,它可广泛地应用于不确定环境中的各种预测。

一种启发式变阶直觉模糊时间序列预测模型

论文针对已有高阶模糊时间序列模型在预测精度和预测范围上的限制,结合直觉模糊集理论,提出一种启发式变阶直觉模糊时间序列预测模型。模型首先应用直接模糊聚类算法对论域进行非等分划分;然后,针对直觉模糊时间序列的数据特性,改进现有直觉模糊集隶属度和非隶属度函数的建立方法;最后,采用阶数随序列实时变化的高阶预测规则进行预测,并将历史数据发展趋势的启发知识引入解模糊过程,使模型的预测范围得到扩展。在Alabama大学入学人数和北京市日均气温两组数据集上分别与典型方法进行对比实验,结果表明该模型有效克服了传统模型的缺点,拥有较高的预测精度,证明了模型的有效性和优越性。

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。

基于改进狼群算法的模糊时间序列预测模型

当使用模糊时间序列预测模型进行预测时,模糊区间的不同划分对最后的预测精度有着十分重要的影响.针对如何更有效的划分模糊区间、进一步提高模糊时间序列的预测精度问题,本文提出了一种基于改进狼群算法的模糊时间序列预测模型.为此首先简要介绍了模糊时间序列,然后阐述了狼群算法并在其游走行为中引入趋向行为和死亡概率对其进行了改进,最后利用改进狼群算法来划分模糊区间,建立了一种新的模糊时间序列预测模型.将Alabama大学入学人数作为实验数据进行实例分析和验证.通过与现有的一些模型进行对比分析,本文所提模型具有更高的预测精度,为模糊时间序列预测提供了新思路.

基于信息粒的模糊时间序列预测模型

时间窗口的分割长度是影响预测结果准确性的重要指标之一,因此根据合理粒化将时间序列分割成一些可处理有意义的信息粒,从而得到更有效的非一致划分的分割方法.进一步,提出基于信息粒的模糊时间序列预测模型去预测股指时间序列.模型首先根据信息粒获取时间序列时间窗口的分割;然后在其基础上定义模糊集并将历史序列模糊化;构造模糊逻辑关系并为每一个模糊趋势指派权重;最终根据得到的信息实施预测.实验结果表明,提出的模型具有较高的准确性.

一个模糊时间序列预测模型的集合

提出一个模糊时间序列预测模型的集合(SPMFTS)。证明了对于任意时间序列S,应用SPMFTS的自动寻优搜索建模法可以筛选出集合的一个模型FMC_j^1(x,f,i),使得预测值C_j(x,f,i)的相对误差均达到0.000 0%。例如预测美国2010—2016年的跑道侵入问题时,建模FMC可以实现的预测值的相对误差均为0.000 0%;对于预测未来的(美国,2017年)跑道侵入数据时,建模FMC实现的预测值也可达到相对误差为0.000 0%。这些预测模型都比灰色模型GM(1,1)和马尔科夫模型的预测精确度高。因此SPMFTS的建模FMC比灰色马尔科夫模型更有优势。

模糊时间序列预测模型及其应用

本文在分析了各种产品销售量预测模型的基础上，提出了采用模糊预测法的建议，剖析了模糊时间序列预测模型的基本算法，应用实例验证了模型的有效性。

基于FCM算法的高阶直觉模糊时间序列预测模型

针对现有模糊时间序列预测模型中有效论域划分和历史数据模糊化处理存在的不足,提出一种新的高阶直觉模糊时间序列预测模型.该模型首先将等分论域划分和基于FCM算法的非等分论域划分两种划分方法结合起来,较好地反映了历史数据内部或局部形态的关联特征.在此基础上,根据直觉模糊时间序列的数据特点,给出一种更具客观性的方法对历史数据直觉模糊化处理,较好地反映了历史数据“非此非彼”的模糊状态.然后结合“max-min”聚合运算,合理地选取要考虑的模糊状态,进而对预测结果去模糊化输出.在实验部分,该模型利用阿拉巴马大学学生招生人数和黄金期货收盘价格为实验数据,将预测结果与现有部分模型的预测结果进行对比分析,验证了新模型的可行性和有效性.

不同FCM聚类算法的模糊时间序列预测模型比较

在模糊时间序列预测模型通常涉及到论域的划分,通常用FCM聚类算法来对论域进行划分,或者用样本点和聚类中心计算出的相似性距离(DTW)来代替传统的欧式距离,即得到DTW-FCM聚类算法来对论域划分.其中基于DTW的FCM聚类算法(DTW-FCM),引入了一个负指数变量,以获得更好的鲁棒性,由此设计出基于DTW改良后的FCM聚类算法(DTW-MFCM).最后将Alabama大学入学人数预测案例和美国二氧化碳排放总量实列应用到该模型上,将预测结果与其他模糊时间序列预测模型进行比较,结果表明该模型的预测精度和稳定性明显提高,优于其他经典模型.

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

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。

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。

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。

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。

基于季节性时间序列模型的西藏那曲牧草生长预测研究

为了保护西藏生态环境,了解牧草相关的生长情况,使用NASA提供的16天合成MODIS数据,以归一化植被指数(NDVI)作为牧草的生长覆盖特征指标,预测NDVI就可以更好地评估牧草的生长情况,以那曲市的NDVI为例,利用ARIMA和SARIMA模型进行预测,结果显示SARIMA模型有着良好精度预测,能够更好地评估牧草地生长情况。

一种基于信息熵的LSTM时间序列数据预测模型

时间序列预测可提升智能电网决策能耗评估有效性和电力传感网络的故障检测效率。基于香农信息熵和长短时记忆网络,构建一种基于时间序列数据的趋势预测模型,模型算法首先对时间序列数据以熵值法处理后进行特征归并,建立特征区间和熵值模型;其次在特征区间建立的基础上,将分类过后的数据在长短时记忆网络中进行训练得到预测结果。最后实验结果表明,与传统LSTM和GRU模型相比,高熵模型的均值平方差函数迭代结果误差降低85.9%和85.29%,显著改善模型预测结果的可靠性和准确性。

基于改进SLIQ算法的用户侧短期负荷时间序列预测模型

配电网净负荷需求较大,环境敏感度高,短期负荷预测可靠性较差,由此,研究基于改进SLIQ算法的用户侧短期负荷时间序列预测模型。采用SLIQ算法,分类处理包含气候变化的海量负荷数据,分析用户侧需求响应的不确定性,将分类后的数据和用户需求响应率输入基于时间序列的组合预测模型,初步预测用户侧短期负荷结果;利用S型函数的神经网络模型,改进SLIQ算法求解过程,采用梯度搜索学习的方式,修正S型激发函数计算误差,调整用户侧需求响应的不确定性,输出用户侧短期负荷预测结果。测试结果显示,该模型结合气象条件因素后,完成历史负荷数据分类的可行性较高,日负荷预测准确率和拟合系数结果分别在0.95和0.94以上,能够可靠完成用户侧负荷预测。