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2dSVD和高斯混合模型的多变量时间序列聚类

针对多变量时间序列(MTS)存在时间和变量两个维度,以及传统主成分分析(PCA)方法在MTS数据表示上的局限性,提出一种基于二维奇异值分解(2dSVD)和高斯混合模型(GMM)的MTS聚类算法。该文计算MTS的行-行和列-列协方差矩阵的特征向量,从时间和变量两个维度提取特征矩阵;用GMM从概率分布角度对特征矩阵进行聚类。数值实验结果表明,该方法对多变量时间序列具有更好的聚类效果。

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。

一阶混合整数值负二项自回归模型

考虑复杂整数值时间序列数据的建模问题.首先,提出一类一阶混合整数值负二项自回归模型,并证明该模型的严平稳遍历性,讨论该模型的转移概率、期望、方差等概率统计性质;其次,研究该模型的最大似然估计问题,得到了估计量的渐近正态性,并在数值模拟的基础上进行实证分析.实证分析结果表明,该模型在拟合毒品犯罪次数数据时性能良好.

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上,应用BP神经网络对时间序列进行了预测,并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.

基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法;利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值;实验证明该方法可精准预测不同类型绿色建筑的短期供暖能耗,在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小,预测的可决系数较高,即预测精度较高。

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。

时间序列自回归模型预测茶园小绿叶蝉种群动态的探讨

选定西湖龙井茶叶原产地的优质丰产茶园、普通丰产茶园、山林间茶园、种质资源圃和茶-林间作等5类代表性茶园,从2007年4月20日～12月26日,5 d 1次调查假眼小绿叶蝉种群数量,作为时间序列自回归模型的数据源。据此对自回归模型预测假眼小绿叶蝉种群动态的可行性、建模步骤及准确性验证进行了探讨。与其他相关预测模型相比,自回归模型显得简便易行实用。

遗传门限自回归模型在气象时间序列预测中的应用

提出了建立门限自回归模型（TAR）的一套简便通用的方法。用基于实码的改进遗传算法,可同时优化门限值和自回归系数,解决了TAR建模过程所涉及的大量复杂寻优工作这一难题,为TAR模型在气象预测中的广泛应用提供了有力工具。实例计算的结果说明:通过门限值的控制作用,TAR模型可有效地利用气象时序资料所隐含的时序分段相依性这一重要信息,限制了模型误差,保证了TAR模型预测性能的稳健性,提高了预测精度。该方法具有通用性,在各种气象非线性时序预测中具有广泛的实用价值。

时间序列的自回归模型在杨凌地区降水量预报中的应用

对平稳时间序列的理论和方法,自回归模型[1]的概念,定阶,模型建立,预报,平稳性进行了综述。通过对杨凌张家岗气象站1935—1955年的四季降水量建立自回归模型,利用所求得的模型对1956年的四季降水量进行了预报。结果表明,该模型对冬季降水量预报效果最好,接下来依次为秋季、夏季、春季。因此平稳时间序列预报方法适用于预报变化比较缓和、持续性和周期性比较好的天气,对变化剧烈的天气和转折性的天气的预报能力较差。

时间序列自回归移动平均模型在临床红细胞用量预测中的应用

目的验证自回归移动平均模型(ARIMA)预测临床红细胞用量的可行性,并为血站制定备血计划提供数据支持。方法选择东莞市2006年1月～2011年12月6年的每月临床红细胞用量作为时间序列模型的数据源。利用SPSS软件进行时间序列模型的构建,通过对2012年的前5个月临床红细胞实际用量进行模型检验。并据此对模型预测临床红细胞用量分析的可行性、建模步骤及准确性验证进行了探讨。结果 ARIMA模型计算出的预测值与实际值拟合较好,相对误差较小。1月份相对误差为-6.32%,2月份为13.28%,3月份为7.78%,4月份为3.73%,5月份为3.78%,平均相对误差为4.45%。结论可以应用时间序列自回归移动平均模型对未来的临床红细胞用量进行预测,为血站制定备血计划提供可靠的参考依据。

基于带回归权重RBF-AR模型的混沌时间序列预测

提出了用带回归权重的径向基函数(radial basis function,RBF)网络来逼近状态相依自回归(autogressive,AR)模型中的函数系数,得到了带回归权重的RBF-AR模型。在这种模型中,RBF神经网络的输出权重已不是单一的常量,而是输入变量的线性回归函数。一种快速收敛的结构化非线性参数优化方法被用来估计提出的模型,辨识出的模型用来预测两组著名的混沌时间序列:Mackey-Glass时间序列和Lorenz吸引子时间序列。实验结果表明,提出的模型在预测精度上要优于其他一些现存的模型。

医院季节性时间序列资料的周期自回归模型及其应用

本文利用周期相关序列和自回归模型等概念,对医院的季节性时间序列资料建立了周期自回归预测模型,其分析结果较为满意。

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上 ,对其进行一定的处理 ,从而发现隐含、未知的有效信息 .本文阐述了一种新的基于灰色 -回归 -模糊神经网络混合模型的时间序列数据挖掘系统 ,重点讨论了灰色 -回归 -模糊神经网络混合模型的建立过程 ,并应用于浙江省可持续发展预测 ,取得了满意的结果 .该混合模型融合多种智能计算方法优点于一体 ,为时序数据挖掘提供了一种新的实用方法 .

基于神经网络及时间序列混合模型的桥梁健康监测系统缺失数据填补

列举了实际桥梁健康监测系统中数据缺失的几种形式,根据桥梁健康监测系统中监测数据是时间序列集的特点,以及神经网络强大的映射能力,利用神经网络及时间序列混合模型的方法来填补缺失数据,并将该方法与时间序列法的填补结果进行对比,结果表明该方法处理缺失数据的误差较低。

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型。但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunctionmodels)。与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构。在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考。

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分。文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一。

时间序列混合预测模型的应用

时间序列模型是分析与预测复杂系统的常用方法。与多维分析和系统分析不同，时间序列模型仅考虑单一指标，不考虑系统内各种相互作用的因素，将系统看作一种按照某种规律演化，沿着一定趋势运动的惯性系统。通常的方法包括：AR（q）自回归模型，线性模型，指数曲线模型，S增长模型。

线性回归与时间序列加法预测模型

线性回归和时间序列预测模型各有千秋 ,本文将它们结合起来 ,提出了一种线性回归与时间序列加法预测模型 ,它提高了拟合度和预测能力。