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。

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。

基于时间序列AR(P)模型的边坡变形预测与应用

获取边坡的监测数据进行分析,并预测其接下来的变化趋势,具有重要的意义。本文以贵州省福泉市高坪矿区英坪矿段内边坡工程项目为研究对象,对监测数据采用时间序列AR(P)模型方法进行了分析与预测。研究结果表明,模型拟合的结果和预测精度较好地反映了监测点的变化趋势,可为矿区边坡模型建立和监测数据的预测提供一定的参考。

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。

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。

基于时间序列算法的能源电力需求自动预测模型

为提高能源电力需求预测准确性,提出基于时间序列算法的能源电力需求自动预测模型。选取原始时间序列中拥有近似模糊值的数据,通过模糊熵算法对其进行处理;引入灰色系统理论消除电力需求时间序列中的残差值,获取GM(1,1)模型,由此构建ARMA(p,q)模型;将两种模型相结合,建立GM(1,1)-ARMA(p,q)组合预测模型,完成能源电力需求的自动预测。实验结果表明,所提方法的预测效果好,相对误差值、MAPE值和MSE值小。

时间序列模型在经济分析中的应用——陕西省GDP分析与预测

相对精准的GDP分析与预测可以为国家或地区在进行经济发展战略部署及相关发展措施的制定方面提供重要参考依据。文章借助时间序列的相关定义和方法,分析和模拟了影响陕西省GDP的主要因素及其与第一、二、三产业的关系,并进一步采用数据分析方法,建立不同的模型并加以比较,得出了最佳的预测模型,并对第一、二、三产业与GDP进行了预测。

基于时间序列预测模型的中国城乡收入差距预测研究

我国城乡收入差距较大,这一现象影响社会稳定、制约经济增长、阻碍共同富裕、加剧教育资源不均、影响公共服务均衡性。研究我国城乡收入差距对于推动经济社会发展、实现共同富裕、提高社会公平性、优化政策制定以及维护社会稳定等方面具有重要意义。通过深入研究,可以为政府和社会各界提供科学的决策参考,促进城乡协调发展,实现更加和谐的社会环境。已知我国城乡收入比远高于美国等OECD成员国的城乡收入比(1.25以下),为了深入研究我国城乡收入差距发展趋势,本文通过建立数学模型研究,结合相关文献数据且基于时间序列预测模型的模型建立、模型求解去预测什么时限我国可达到OECD成员国城乡收入比的基本水平。在研究过程中,通过查找2013~2019年的城乡收入比数据,构建时间序列预测模型对未来的发展进行预测,并结合基于我国东部、中部以及西部地区2017~2021年的泰尔指数,利用基准分析模型和门限面板回归模型结合相关发展经济学的理论及库兹涅兹提出的倒“U”型分析发现,我国城乡收入差距在波动中呈逐步扩大的趋势并体现出阶段性特征中影响城乡收入差距的因素,通过调节变量使得城乡居民收入比低于1.25。研究得出,在乡村振兴战略和数字经济持续推进的条件下,人力资本、创新活力、城镇化水平将不断提高,政府需要加大对教育科研的投入力度,以及财政农业投入占比;在农业方面引入数字化手段;出台有关政策鼓励外商在农村进行投资;经过24年我国城乡居民收入比可达到美国等OECD成员国的基本水平。

基于贝叶斯结构时间序列模型的海南省人口预测研究

通过分析2003—2022年的人口数据,深入了解海南省的人口现状,并预测常住人口总量。数据源于《海南省统计年鉴》,采用折线图、人口金字塔图等对海南省2003—2022年人口现状进行描述,并应用贝叶斯结构时间序列模型对未来三年的常住人口数进行预测。经过分析和预测,结果显示,贝叶斯结构时间序列模型的均方根误差为2.914、平均绝对百分比误差为0.002<10、决定系数为0.986。2023—2025年海南省常住人口总数分别为1042.34万人、1054.56万人、1066.76万人。说明贝叶斯结构时间序列模型应用于海南省常住人口预测的效果较好,海南省常住人口数量仍会持续缓慢上升。

基于坐标时间序列的地心运动分析与预测

地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(global geophysical fluids center,GGFC)和国际GNSS服务(international gnss service,IGS)第三次重处理(IGSR03)提供的3组地心运动数据,首先对其一致性和差异进行了分析,然后分别利用谐波模型和Diff-LSTM模型对地心运动进行了长期和短期的建模与预测,结果显示,GGFC地心运动的预测精度优于1.5 mm,而Diff-LSTM模型的地心运动预测结果在短期内优于谐波模型,当预测步长为17时,GGFC和IGSR03的地心运动预测精度均能达到甚至优于1 mm。表明地心运动的预测精度能够满足基于地球质量中心(center of mass of the total earth system,CM)的瞬时地球参考框架的建立与维持。

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。

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

基于动态神经网络NARX时间序列的双排桩基坑变形预测

针对目前基于含基本假设或经验公式的传统土力学计算方法,不能有效地反映具有多因素交叉性以及时空性的基坑变形规律,而监测数据时间序列能够真实地表现基坑土体变形的演变,以南宁市亭洪路72号河南水厂住宅小区危旧房改造项目双排桩基坑工程为依托,考虑开挖深度和土体暴露时间这2个因素对监测时间序列的影响,提出一种带有外部输入的非线性自回归(NARX)动态神经网络时间序列模型,多方位预测关键断面重要测点的竖向位移和水平位移。结果表明:预测值和实际监测数据的变化趋势具有较好的一致性,且竖向位移预测值与实际监测值的预测残差小于1.0 mm,水平位移预测残差小于0.3 mm。该模型预测效果良好,同时验证了此模型应用于双排桩基坑变形动态分析的可行性。

基于时间序列的土壤墒情预测影响因素研究

【目的】分析预测土壤墒情变化趋势,总结影响土壤墒情的因素,为土壤改良提供参考。【方法】通过对不同深度土壤墒情随时间呈现的动态变化进行研究,针对研究区的具体气象条件和土壤情况,应用时间序列模型和深度学习方法,探究BAG土壤墒情预测模型的预测性能。通过对土壤深度、数据和环境因子与预测模型的相关关系的分析,证明该模型的预测精度。【结果】1)深度与预测性能的关联:研究区内不同深度的土壤含水量预测误差的平均绝对值都较为平稳,均在1%以下,不同深度的土壤含水量不会直接影响BAG的预测性能。2)墒情数据对预测模型的影响:研究区内1095条、729条和364条数据作为输入数据进行预测,序列长度为364时,各个深度预测精度较好。3)环境因子对预测模型的影响:预测精度并不随着相关性的强弱而相应变化,阈值为0.3以上的环境因子预测精度最好。【结论】在一定的序列长度和环境因子数量下,BAG的预测性能较高。

基于AR与DNN联合模型的地理传感器时间序列预测

地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。