基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode De-composition,简称EMD)的BP神经网络预测方法。该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后对每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果。预测试验结果表明,基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高。

基于时间序列和多元模型的集约化猪舍温度预测

【目的】从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。【方法】采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。【结果】对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。【结论】本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。

土壤温度时间序列预测的BP神经网络模型研究

针对滨海盐渍区表层土壤温度时序变化复杂、高度非线性的特点,以江苏省苏北典型滩涂区域为研究对象,综合运用BP神经网络和时间序列多维拓展的方法,对长期定位监测点表土层土壤温度时间序列数据进行了分析和预测,为土壤溶质运移研究与当地作物合理布局提供理论基础和参考依据。结果表明,输入层、隐含层和输出层神经元数目分别为7、7和1的3层BP神经网络模型用于土壤温度时间序列训练仿真时效果最优,其误差平方和达最小值18.017。选定的此结构BP神经网络模型简单、实用,有良好的推广泛化能力,经独立测试样本检验,预测值与实测值的相对误差均在20%以内,平均相对误差仅为2.94%,可满足土壤温度日常预报的需要。

基于时间序列信息分离预测法的大型旋转艇体温度动态测试研究

在定义矩阵列循环平移算子的基础上建立了艇体温度动态测试的数学模型 ,从确保温度测试数据有效性出发 ,提出了基于时间序列预测的容错测试方法。在“预置信息”、“正常误差信息”、“故障信息”三个概念的基础上提出了时间序列信息分离的新思想 ,使分离后的“正常误差信息”趋于平稳 ,再用神经网络在线预测并诊断出“故障信息” ,实现了容错测试和故障诊断。文章提出的基于时间序列预测的算法 ,也适用于其他具有时变“预置信息”

基于时间序列神经网络的温度场预测分析

为合理将人工冻结法应用于地下工程建设中,确保冻结壁的稳定性。通过对人工冻结试验过程中的温度场进行预测分析,利用神经网络对样本进行学习,并与实测数据进行对比,表明该方法可以较为准确地对未知温度场进行预测。通过对西南某地区泥炭土进行冻结试验,试验结果表明:在封闭不补水条件下人工冻结试样冷端温度越低,土体的降温速率越快,温度场稳定后值越小。以实测温度场构成时间序列,基于神经网络,通过建立时间序列神经网络预测模型对泥炭土的温度变化进行预测,对比实测值和预测值,平均绝对误差为0.0668,均方根误差为0.0347,整体误差较小,该预测模型能够较为精确地预测温度场变化规律。

土壤温度时间序列预测的LSTM神经网络研究

适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10~30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。

基于深度学习的全球平均表面温度年际信号时间序列的预测

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。

基于LSTM时间序列模型的电力变压器温度预测方法研究

传统的电力变压器运行状态监控方式仅能做到实时监控,无法做出超前预测。笔者提出基于LSTM时间序列模型的电力变压器温度预测方法。通过分析LSTM时间序列预测模型原理,建立基于LSTM的变压器温度预测模型,采用仿真实验验证变压器温度预测的有效性。实验结果表明,LSTM模型比ANN模型具有更优秀的预测能力和拟合效果,为电力设备运行监控领域提供更多的量化辅助信息,具有较高的实用性。

海上平台电气设备热故障及时间序列温度预测模型研究

时间序列温度预测模型可利用历史数据提前判断电气设备的温度变化趋势,进而掌握潜在的热故障风险。本研究中采用ARIMA时间序列模型,经MATLAB仿真检验可有效预测设备温度,误差水平较低,有利于设备热故障诊断和控制。

基于时间序列分析的微型加热元件温度预测模型

针对烟具在工况下难以获取微型加热元件准确的加热温度变化而进行精准温控的问题,提出基于时间序列模型的方法,通过红外测温仪采集加热元件控温面与加热面温度数据,建立ARMA温度预测模型,获得测温面与加热面的温度对应关系,实现控制系统对温度变化预测,提高加热元件温控精度。试验证明,该方法可实现加热元件温度准确预测,有效减小控制误差。

基于GAT-Informer的采空区煤自燃温度预测模型

现有的煤自燃温度预测模型仅考虑监测数据前后的时间关联性,未考虑监测点之间的空间关系,并存在多步长煤自燃温度预测精度低的问题。针对上述问题,提出了一种基于图注意力网络(GAT)和Informer模型(GAT-Informer)的采空区煤自燃温度预测模型。首先,采用随机森林回归法和Savitzky-Golay滤波器对采空区沿空侧煤自燃监测数据中的异常值、缺失值和噪声进行处理,并使用Z-score方法对数据进行标准化。其次,采用GAT提取多个监测点煤自燃监测数据间的空间特征。然后,使用Informer模型的编码器对包含空间特征的数据进行编码,利用多头概率稀疏自注意力机制捕捉数据之间的长期依赖关系和时间特征;解码器通过交叉注意力机制与编码器交互,结合编码器提取的全局特征与目标序列的上下文依赖关系,生成特征矩阵并输入全连接层,得到煤自燃温度预测值。最后,对Informer模型输出的煤自燃温度预测值进行反标准化处理,恢复到原始数据尺度,得到最终的预测结果。实验结果表明,相较于循环神经网络(RNN)、长短期记忆网络(LSTM)、门控循环单元(GRU)和Informer模型,GAT-Informer模型在6个监测点上预测24步长煤自燃温度时,均方误差(MSE)分别平均降低了15.70%,22.15%,25.45%,36.49%,平均绝对误差(MAE)分别平均降低了16.01%,14.60%,20.30%,26.27%,表明GAT-Informer模型能有效提高煤自燃温度多步长预测精度。

基于相似时间序列的航空发动机剩余寿命预测

性能衰退是导致航空发动机下发的主要原因之一,针对同型号不同个体性能衰退模式差异较大这一问题,提出了基于相似性匹配的发动机剩余寿命预测方法。首先选取排气温度裕度(EGTM)来表征发动机当前性能状态,通过相似修正与狄克松异常值判别消除外在因素影响;然后使用K-means方法对EGTM数据进行聚类分析;最后根据欧氏距离法计算预测样本与历史样本间的相似度,依据相似度大小赋予参照样本相应权重来预测发动机剩余寿命。航空公司实际数据验证表明,该方法具有较高的预测精度,能够为维修计划的制定提供可靠依据。

基于模糊时间序列的给水泵指标预测

对火电厂给水泵系统设备的指标数据进行有效预测,有助于保障设备安全、可靠运行,提高指标数据预测的准确性具有重要意义。文中提出基于模糊时间序列算法来预测给水泵系统设备的指标数据,同时采用该算法在给水泵的真实运行数据集上进行实验,分别对给水泵指标出口压力及温度进行预测。结果显示,给水泵出口压力预测模型平均绝对百分比误差为0.009 5,均方根误差为0.250 5,而出口温度的模型平均绝对百分比误差为0.001 4,均方根误差为0.366 2,证实了模糊时间序列预测算法的预测误差较低,且能够应用于给水泵系统设备的指标预测中。

多尺度混沌时间序列在载流故障预测中的应用

针对一类电力设备触点温度缓慢振荡上升的载流故障形态,提出了基于多尺度混沌时间序列预测的载流故障趋势预测方法。首先应用基于小波变换的噪声平滑算法对原始数据进行降噪处理,并利用降噪后的数据构造即时温度序列和多时间尺度的平均温度序列。通过将变步长的归一化最小均方误差算法应用于Volterra核函数的辨识中,提高核函数的辨识精度,从而获得更加准确的预测效果;采用上述改进后的Volterra自适应滤波算法对载流故障进行趋势预测。基于某电站实际运行数据的测试结果表明,所提方法能够在载流故障发生的初期阶段预测故障发展的整体趋势,计算量小且精度高,预测故障发生时间误差最小为1 min。

基于LSTM的滑动轴承实时温度预测模型

温度是影响滑动轴承正常运转的重要因素,实时监测轴承温度对测试至关重要,但实时采集轴承温度的数据量大,为应对测试或监测过程中温度传感器故障导致数据缺失的问题,提出了一种长短时记忆(LSTM)网络预测模型,并与传统BP神经网络预测模型进行对比分析。通过处理已有的温度数据预测后续的温度变化趋势,比较了2种模型的均方根误差来描述预测精度。通过实际值与预测值的相互验证,验证了LSTM网络预测模型具有良好的预测精度,其均方根误差达到0.0805,有效弥补了BP神经网络预测模型精度的不足,解决了BP神经网络样本依赖性问题。

东北夏季Venlo型温室温度的时间预测模型构建与检验

温室温度的合理预测是夏季温度控制的重要根据。通过实验设计并测量温室内温度及其影响因素的数据,并运用时间序列分析方法对数据异常点处理及缺失值补足,并对无遮阳三种降温状态下的各变量分别进行平稳性检验,建立了三种状态下的时间序列预测模型,结果显示预测数值与实际数值吻合良好,为东北夏季Venlo型玻璃温室的温度控制提供了理论依据。

基于时间序列预测模型的鱼类栖息地变化研究

由于全球变暖,海洋温度逐年上升,这种环境变化将影响海洋生物栖息地的选择。对于苏格兰而言,鲱鱼和鲭鱼的栖息地将发生变化,这将对当地渔业产生巨大影响。在本论文中,首先,我们使用资源密度重心法确定鱼群的起始位置。这是当时鱼类学校最适合生存的地方。接下来,我们将苏格兰周围的海域分为13个区域。然后,在建立时间序列预测模型和过去50年每个海域温度数据的基础上,计算了未来50年中每5年13个海域的海洋温度,找到最适合鱼的生长温度。最后,确定了适合鲱鱼和鲭鱼生存的主要分布位置。

基于时序分析法的温室温度预测模型

针对现有温室环境控制系统无法对下一时段温室温度进行精确预测的问题,提出采用时序分析法建立温度预测模型的方法。以圆拱型连栋薄膜温室2001年6月6日～2002年9月16日间的温度为例,首先对温度序列进行一阶年度差分处理来实现序列的平稳化;然后根据一阶年度差分序列自相关系数和偏相关系数的特点,提出采用ARMA(p,q)模型来拟合温室温度;最后根据方差估计和误差平方和最小的原则,确定了一个ARMA(4,4)模型作为夏季温室温度的1步预测模型。试验结果表明,模型预测值与实测值相比,最大绝对误差为0.8℃、最大相对误差为3.2%,平均绝对误差为0.2℃、平均相对误差为1.1%。

基于支持过程向量机的航空发动机排气温度预测

针对航空发动机气路性能衰退主要是由时间累积效应造成的这一问题,为反映航空发动机气路性能参数时间序列中实际存在的时间累积效应,以预测航空发动机气路性能衰退规律,本文从泛函分析的角度出发,提出了一种支持过程向量机模型。并建立了基于支持过程向量机的时间序列预测模型,且以Logistic混沌时间序列预测为例验证了该预测模型的有效性。在此基础上建立了基于支持过程向量机的航空发动机排气温度预测模型,并采用遗传算法进行模型参数的优化选择。通过航空发动机排气温度预测实际应用案例对提出的模型进行了验证,实验结果表明:支持过程向量机预测结果的平均相对误差为2.81%,优于传统支持向量机的预测结果。

我国甜菜夜蛾大尺度暴发频度与广域温度和广域降雨量关系的预测模型

甜菜夜蛾Spodoptera exigua(Hbner)是我国多种农作物上的重要害虫,在我国许多地区频繁暴发成灾。为探索甜菜夜蛾种群动态规律并建立种群数量发生趋势预测模型,作者应用时间序列分析和逐步回归分析方法研究了我国广域(较大范围)温度和广域降雨量变化趋势对我国广域甜菜夜蛾年暴发频度的影响规律。结果表明:甜菜夜蛾发生的长期趋势和年间波动状况均与广域温度和广域降雨量具有复杂的影响关系。在1979-2008年间,我国甜菜夜蛾暴发频度呈现出波浪式上升趋势,其暴发指数平均年递增率为0.076,而我国广域温度(以27个省市级气象台数据统计为例)在1990-2008年间的平均年递升率为0.039℃,即我国甜菜夜蛾暴发频度上升趋势与我国广域温度升高趋势同向而行。作者从52个因素(当年和上年1-12月各月及全年日均温和月均降雨量)中筛选出了具有显著回归影响(P<0.05或0.01)的10个因素进入回归模型,初步找出了能够预测广域甜菜夜蛾暴发趋势指数的温度与降雨量或其组合因素,并使其模型达到99%以上的历史符合率和预测准确度。作者认为,广域温、雨因素与广域甜菜夜蛾暴发趋势指数的这种密切相关性,不是偶然的巧合,而是必然的环境(温度和降雨量)作用于生物(甜菜夜蛾)的因果关系。