灰色Verhulst-时间序列组合模型在沉降监测中的应用

针对传统单一的灰色模型、时间序列模型在进行沉降监测数据模型存在精度较低的问题,本文提出了一种灰色Verhulst模型和时间序列模型的组合优化模型。首先,对灰色Verhulst模型、时间序列模型的基本理论进行阐述;其次,建立了灰色Verhulst-时间序列模型,即以灰色Verhulst模型得到的样本数据拟合值作为时间序列模型进行预测的样本值;最后,通过以某建筑物沉降监测点为例进行计算并进行灰色Verhulst模型、时间序列模型以及灰色Verhulst-时间序列模型的预测结果对比。实验结果表明,灰色Verhulst-时间序列组合优化模型的预测精度最高,均方差为0.3275 mm,验证了该组合模型更贴合建筑物沉降的变形趋势。

基于灰色—时间序列组合模型的建筑沉降预测

为了更加准确地掌握建筑物沉降变形规律,科学预测沉降变化趋势,在灰色系统和时间序列模型的基础上,将两种单一模型结合,构建灰色—时间组合预测模型,通过建筑沉降实测数据验证组合模型的建筑沉降预测结果。相比灰色和时间序列单一模型,灰色—时间序列组合预测模型具有更高的预测精度和稳定性,在建筑沉降长期预测方面具有明显优势。

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。

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。

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。

基于变权组合模型的时间序列预测

针对时间序列预测中单一模型存在预测精度不高和预测稳定性较差的问题,采用残差赋权方法对单一模型进行组合,并以此为基础,提出基于残差赋权改进的自适应变权组合方法。该方法的基本思想是基于当前时刻的预测结果自适应调整其组成模型的权重值,利用不同的单一模型进行优势互补。将其应用到组合模型中,以实现提高模型的预测精度与稳定性。实验结果表明,该组合方法能有效改善预测稳定性不足的问题,以及进一步提高模型的预测精度。

分数卷积灰色预测模型及其在信息传播中的应用

通过构造累加生成卷积序列的离散卷积运算实现了数据序列的累加生成,并推广到分数阶卷积幂以实现分数阶累加生成。离散序列卷积运算统一了累加生成和累减生成,给定阶数即可生成相应的卷积序列。引入离散卷积运算,可以从信号处理的角度来理解累加生成。累加生成系统可视为一个线性滤波器,累加卷积序列的本质是滤波器的单位冲击响应,卷积运算对应滤波过程。在分数累加卷积序列的基础上构建了分数阶灰色预测模型。最后给出数值实验和信息传播中的实际应用案例验证理论的正确性和方法的有效性。

边坡变形的灰色-时间序列组合预测模型

边坡变形是一个非平稳的时间序列,可分解为趋势项和随机项两个部分。利用灰色模型对边坡变形非平稳时间序列进行趋势项提取,使非平稳时间序列转化为平稳时间序列,对随机项进行时间序列分析。将以上两个模型结合,建立起灰色-时间序列(GM-AR)组合预测模型。以茅坪滑坡变形和某尾矿库边坡变形为例进行预测分析,对比结果可知,组合预测模型具有更高的预测精度和良好的应用前景。

基于时间序列和灰色模型的交通事故预测

利用时间序列和灰色模型理论,针对北方某城市的交通事故统计数据,分别建立了自回归移动平均模型及灰色模型,并对各模型进行了步长为12的预测。通过模型对比发现:2个模型的预测绝对误差分别为23.95%和54.32%,且对于具有季节周期性特点的序列,自回归移动平均模型的预测结果与实际观测值比较吻合,说明自回归移动平均模型比灰色模型更能充分挖掘历史信息以减少预测误差,并反映数据的周期性变化,具有良好的适用性。

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性。研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能。

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测。仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模。

基于时间序列的灰色预测技术在估产模型中的应用

在建立估产模型过程中 ,引进基于时间序列的灰色预测技术 ,通过对样本点建立基于时间序列的灰色预测模型和常规的多元线性回归气象模型的分析比较 ,试图找到一种计算简单、数据要求少而精度较高、时效性较好的建模方法 .为时间序列预测在农作物估产方面的应用作出一点探索 .

基于时间序列RBF的大连港货物吞吐量预测

引言大连港是我国东北地区主要的海上门户。随着我国振兴东北战略的实施推进,港口货运量也随之增多,对港口建设和运营提出了新标准,因此,为提高港口作业效率和增强竞争力,精准预测港口吞吐量对于港口规划、建设及运营至关重要。目前,用于港口吞吐量的预测方法众多,其中最主要是灰色预测法[1]、回归预测法[2]、时间序列法[3]及神经网络法[4]。灰色预测法,对于数据量少的系统,效果显著。回归预测法对数据量少的样本拟合效果好。神经网络法有较强的非线性映射能力和适应能力,但需要大量的数据训练。时间序列法对于呈线性分布的数据能较好挖掘其规律,但需要较多的样本数据。由于预测模型间各有优劣,因此本文提出时间序列法与神经网络法相结合的时间序列RBF预测模型组合模型[5-6],结合两种模型的优点,同时弥补各自的缺点,有一定的先进性,旨在为港口货物吞吐量预测提供新方法。

基于灰色理论和时间序列模型的润滑油中磨粒含量预测分析

目前机械设备润滑油中磨粒含量的预测一般用简单线性拟合的方法,或者利用单一的预测模型,预测精度较低。针对润滑油中磨粒含量预测时存在的问题,提出了一种综合运用灰色预测理论和时间序列模型的方法对磨粒含量进行预测。该方法充分运用灰色预测能够反映磨粒含量变化的总体趋势和时间序列分析模型可以很好地进行细节分析的优点。将该方法应用到某型自行火炮润滑油分析数据中,证明了该方法的有效性。

基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法研究

为了提高采煤工作面瓦斯涌出量预测精度,提出了一种基于二次分解和BO-BiLSTM组合模型的采煤工作面瓦斯涌出量预测方法。首先运用变分模态分解(VMD)将瓦斯涌出量时序数据进行一次分解,充分利用其分解后的残余分量,并采用自适应噪声完备经验模态分解(CEEMDAN)进行二次分解;然后将分解后的所有子序列分别输入到贝叶斯算法优化双向长短期记忆网络(BO-BiLSTM)模型中进行瓦斯涌出量预测;最后将各子序列模型输出结果进行叠加得到最终瓦斯涌出量预测结果。以陕西彬长矿区某矿采煤工作面绝对瓦斯涌出量日监测数据为例进行建模和预测分析,结果表明:所提出的瓦斯涌出量组合预测模型具有较高的预测精度,验证了该模型在瓦斯涌出量预测方面的有效性和适用性。

修正的灰色预测模型在水文时间序列分析中的应用

灰色预测模型在模拟与预测波动时间序列中具有很明显的局限性 ,本文提出用平稳化的方法来解决这一问题。同时针对水文地质时间序列普遍具有周期性特征的事实 ,提出了用周期分析的方法来修正残差 ,将二者相结合 ,可以很好地解决水文时间序列的预报问题。

基于ARIMA-LSTM组合模型的工业生产车间粉尘浓度预测

在工业生产环境中,精确预测车间内的粉尘浓度对于确保工作场所的安全和产品质量至关重要,而该环境下单一的预测模型往往难以捕捉所有关键的数据特征。为了提高预测精度,该研究通过ARIMA模型提取数据的线性特征,使用LSTM模型拟合预测残差中的非线性特征,构建基于ARIMA-LSTM的组合预测模型。该模型采用均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评估指标。基于某厂生产车间的粉尘浓度时间序列数据进行实验评估,结果表明该模型的MSE、MAE和MAPE分别为0.74、0.66和3.29%,预测精度均优于单一的ARIMA模型,验证了模型的有效性和可靠性。

时间序列资料灰色模型综合预测方法及其应用

医院时间序列资料的预测多用GM(1,1)模型,但对许多指标而言,易受政策性因素的影响,GM(1,1)模型预测效果有时极不理想。本文介绍一种时间序列资料综合预测方法,选择与预测指标相关且具有相对稳定性的因素,应用灰色GM(1,N)模型和GM(1,1)模型进行综合预测,效果较为满意。

灰色系统模型在时间序列模式中的应用研究

研究了利用GM (1,1)模型发现时间序列模式的方法 ,用GM (1,1)模型可以从时间序列中寻找变化规律 ,预测将来的发展趋势。并应用GM (1,1)模型分别对全国未来 10年耕地和粮食进行了预测 ,预测结果和一些知名学者的预测结果非常接近 ,说明GM(1,1)模型是挖掘时间序列模式的一个有效的方法。

基于时间序列和灰色模型的短期电力负荷预测

针对短期电力负荷预测,从不同研究角度出发,分别构建了时间序列ARIMA模型和基于相似日的灰色预测GM(1,1)模型,使用SPSS、MATLAB等软件编程,得出不同模型下所研究地区未来七天内各个时点的电力负荷预测值,并对其精度进行了检验。结果表明两种模型下的预测结果精度较高且各具优点,在实际应用中,可根据短期电力负荷的具体特征和预测要求,灵活的选择模型加以应用。