基于差分自回归滑动平均模型的风电场短期风速预测

目前,风力发电的并网规模越来越大;但是鉴于风力发电特有的间歇性和随机性,难免会对电力系统的稳定运行和电能质量造成巨大影响;也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效地解决该问题。依据风速序列的自相关性以及时序性,提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型。重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测,给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。

基于SARIMA-SVM模型的季节性PM_(2.5)浓度预测

空气污染是城市环境治理的主要问题之一,而PM_(2.5)是影响空气质量的重要因素。针对传统时间序列预测模型对PM_(2.5)浓度预测缺少季节性因素分析,预测精度不够高的问题,提出一种基于机器学习的季节性差分自回归滑动平均-支持向量机(SARIMA-SVM)融合模型。该融合模型为串联型融合模型,将数据拆分为线性部分与非线性部分。SARIMA模型在差分自回归滑动平均(ARIMA)模型的基础上增加了季节性因素提取参数,能有效分析PM_(2.5)浓度数据的季节性规律变化趋势,较好地预测数据未来的线性变化趋势。结合SVM模型对预测数据的残差序列进行优化,利用滑动步长预测法确定残差序列的最优预测步长,通过网格搜索确定最优模型参数,实现对PM_(2.5)浓度数据的长期预测,同时提高整体预测精度。通过对武汉市近5年的PM_(2.5)浓度监测数据进行分析,结果表明该融合模型的预测准确率相较于单一模型有很大提升,在相同的实验环境下比单一的ARIMA、Auto ARIMA、SARIMA模型分别提升了99%、99%、98%,稳定性也更好,为PM_(2.5)浓度预测研究提供了新的思路。

2010-2018年河南省南阳市手足口病季节性差分自回归滑动平均模型预测

目的应用时间序列分析构建河南省南阳市手足口病发病预测模型,为制定防控策略提供科学依据。方法收集2010—2018年河南省南阳市手足口病月发病数据建立时间序列,应用专家建模器构建季节性差分自回归滑动平均(SARIMA)模型,对2019年发病情况进行预测,并与实际值进行比较。结果2010—2018年南阳市手足口病月发病率呈明显季节性,专家建模器构建结果显示,ARIMA(2,0,0)(0,1,1)12为最优模型,平稳R^(2)为0.827,RMSE为2.240,MAE为1.207,BIC为1.755。模型对2019年发病情况预测结果显示,预测值与实测值整体变化趋势一致,相对误差绝对值最小为0.01,最大为-6.14。结论SARIMA模型能够较好地拟合南阳市手足口病发病情况,并预测未来发病趋势,为防控工作提供理论依据。

季节性差分自回归滑动平均模型在上海市道路交通伤害预测中的应用

[目的]探讨季节性差分自回归滑动平均(SARIMA)模型预测道路交通伤害的可行性,为掌握上海市交通伤害趋势提供依据。[方法]利用EVIEWS软件对2000—2009年上海市道路交通伤害死亡的季度数据进行SARIMA模型拟合,并利用2010年数据对预测数据进行验证。[结果]上海市道路交通死亡具有明显的季节要素,趋势要素呈逐步下降趋势;对原始图形识别后,综合考察几种模型拟合优劣,最终采用SARIMA(2,1,0)(0,1,1)4,其能很好地拟合上海市道路交通伤害死亡情况。2010年4个季度死亡率预测值分别为1.49/105、1.74/105、1.93/105和2.06/105,实际值均在预测区间内,残差也显示为白噪声序列。预测结果较好。[结论]SARIMA模型是一种能较好地预测道路交通伤害趋势的工具,可为预防与控制道路交通伤害提供决策依据。

基于SARIMA模型的上海市宝山区2024年水痘流行趋势预测

目的构建模型预测上海市宝山区2024年的水痘发病趋势,为水痘早期预警和有效防控提供科学依据。方法利用宝山区2010—2022年报告水痘个案数据,运用R语言构建季节性自回归滑动平均模型,用2023年数据进行验证,最后用验证模型预测2024年水痘流行趋势。结果宝山区2010—2022年水痘年均发病率为69.67/10万,2020年起发病数和发病率有所降低。宝山区水痘月发病数据为平稳序列,具有明显季节性。ARIMA(1,0,1)(0,1,1)12为最优拟合模型,残差经Ljung-Box检验为白噪声序列。2023年1—12月实际发病数均在预测值的95%可信区间内。预测显示宝山区2024年水痘发病数为762例,全年发病有2个高峰。结论ARIMA(1,0,1)(0,1,1)12模型能较好拟合宝山区水痘的发病趋势,可用于宝山区水痘短期发病情况的预测。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

基于R语言的ARIMA模型在医院平均住院日预测中的应用

目的建立差分自回归滑动平均模型(ARIMA),预测江苏省某三甲医院的平均住院日,为医院医疗资源的配置提供科学参考。方法以江苏省某三甲医院2013年1月至2021年6月全院平均住院日数据为基线,利用R软件构建ARIMA模型,对2021年7月至2022年5月11个月的全院平均住院日进行预测,并与实际值进行对比,评价ARIMA模型的预测效果。结果该医院的平均住院日自2013年1月起逐年呈现下降趋势,并且具有一定的季节特征。拟合最佳的ARIMA模型为ARIMA(0,1,1)(0,1,1)_(12),其平均相对误差MAPE为1.78%,均方根误差RMSE为0.24。ARIMA模型的预测中,RMSE为1.49,MAPE为7.78%,预测结果较为理想。结论应用ARIMA模型对该院的平均住院日预测效果较好,可用于该院平均住院日的短期预测。

滑动平均自回归差分模型在蚊虫密度监测数据中的应用

【目的】分析预测上海市浦东新区蚊虫密度指数的变化趋势,为虫媒疾病疫情风险控制以及处置措施提供数据支持。【方法】整理2011—2015年上海市浦东新区市级监测点蚊虫人工小时法的监测结果,使用滑动平均自回归差分模型(ARIMA)分析上海市浦东新区人工小时法密度指数的变化趋势。【结果】2011—2015年,浦东新区市级监测点人工小时法共开展监测135次,蚊虫密度指数平均值为6.17只/h(人工),标准差为4.93,最小值为0,最大值为18只/h(人工)。指数呈明显的周期性,每年最高峰均出现在7—8月。ARIMA拟合最优模型为ARIMA(2,0,1),模型拟合统计量R^2为0.808,Q检验值为19.632,显著性检验结果为0.186,不能拒绝残差为白噪声的结果。模型自回归参数AR_1为1.866,AR_2为-0.907,滑动平均参数MA为0.999。【结论】ARIMA模型可用于蚊虫密度监测数据的预测,但监测频率低、循环周期不固定对预测结果影响较大。

ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

小波分解和组合模型相融合的网络流量网络预测

为了提高网络流量预测的准确性,提出一种小波分解和组合模型相融合的网络流量预测预测模型。首先采用小波分析对网络流量进行分解,得到网络流量的趋势序列和波动序列,然后分别采用自回归差分滑动平均模型和极限学习机对它们进行建模和预测,最后采用仿真实验测试组合模型的性能。仿真结果表明,相对于其它网络流量预测模型,组合预测模型提高了网络流量预测精度,降低了预测误差更小。

基于时间序列季节分类模型的轨道交通客流短期预测

轨道交通客流的分析中,数据季节性特征对客流预测的有效性存在显著影响。通过分析轨道交通客流曲线,发现轨道交通客流呈现出季节性特征;针对这种特征,提出基于季节分类模型的轨道交通客流预测方法。根据客流季节特征建立季节分类模板和季节时间序列;采用乘法季节自回归差分滑动平均模型建立客流季节分类模型;使用季节分类模型预测对应类型日期的客流。实验表明:季节分类模型既能有效预测轨道交通客流,又能较好地避免预测误差波动性问题。

基于ARIMA-ANN预测模型的能量感知路由算法

针对传统能量感知OLSR协议在减少传输功率消耗和均衡节点剩余能量之间不能兼顾的特点,提出了一种新型的基于剩余能量比例和传输功率消耗的OLSR路由协议OLSR_RC,它利用上述两方面的指标构造复合能量开销,并将其作为路由选择的度量值。在减小网络开销的同时,也防止了部分低电量节点的能量被快速耗尽,延长了网络的生存周期。此外,新路由还采用ARIMA-ANN组合能量预测模型对节点的剩余电量进行预测,降低了由于拓扑控制(TC)消息丢失对选择路由所造成的影响。这种新型路由协议在无线传感器网络领域有比较广阔的应用前景。

基于ARIMA和CART的负载预测模型

主机资源的负载预测对其运营维护工作具有重要意义.传统负载预测方法通常采用线性时间序列模型拟合负载数据,而负载受复杂的内外部环境影响,线性模型无法很好地表征负载数据规律.为提高模型的精度,提出将负载信息分解为线性部分和非线性部分的思想,并将自回归差分滑动平均(autoregressive integrated moving average,ARIMA)模型和分类回归树(classification and regression tree,CART)模型相结合进行预测.通过加权最小二乘法改进的ARIMA预测线性部分,通过边界判定优化的CART预测非线性部分,并结合两者获得综合预测结果.在真实负载数据集下进行对比实验,结果表明,改进后的算法预测精度相比传统方法提高了15%以上,且对偏远值和不同的时间间隔都均有良好的适应性.

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。

基于H-P滤波法、ARIMA和VAR模型的库区滑坡位移综合预测

受库水位涨落及降雨等影响,库区滑坡位移表现出明显的周期性。基于位移时间序列分析,将滑坡监测位移分解为趋势项与周期项之和。趋势项反映滑坡变形的长期趋势,其主要受滑坡本身地质结构等因素影响。周期项反映滑坡变形的波动性,其主要受外部因素影响。以三峡库区巫山塔坪滑坡为例,考虑长江水位与降雨量影响,采用H-P滤波法从滑坡位移中分解出趋势项及周期项,利用差分自回归滑动平均模型(ARIMA)对趋势项进行平稳处理并计算趋势项预测值,利用向量自回归模型(VAR)计算周期项预测值。趋势项预测值与周期项预测值之和为滑坡位移预测值。与实际监测值及多种方法分析比较,表明综合预测所得结果能较好反映滑坡变形的趋势性和波动性,位移预测效果较好。

基于ARIMA模型的航空装备事故时序预测

为提高航空装备事故预防的针对性、有效性和主动性,预防和减少事故的发生,降低事故造成的损失,提出一种时序的差分自回归滑动平均(ARIMA)模型。其建模过程先在时间序列基础上辨识一个试用模型,然后加以诊断,并作出必要调整,反复进行辨识、估计、诊断,直至获得较为满意的ARIMA预测模型。在实例验证中,所构建的用来预测美国空军飞行事故万时率的ARIMA模型,能够将预测的平均相对误差控制在7%以内,预测结果总体反映航空装备的实际安全状况。

基于ARIMA与SVM的飞行事故组合预测方法

飞行事故预测的目的在于预防事故。为提高事故预防的针对性和有效性,必须加强预测,以增强预防飞行事故的主动性。在ARIMA和SVM基础上,提出一种飞行事故组合预测方法。首先建立ARIMA模型,用以描述历史数据中的线性关系;然后,对ARIMA模型的残差构建SVM模型,用以模拟数据中的非线性规律,两者预测值之和就是最后的预测结果。美国空军1954—1993年飞行事故损坏飞机万时率的实证分析结果表明:利用该方法所建立的模型,能够对飞行事故作出较为准确的预测,模型精度总体优于单一的ARIMA或SVM模型。

采用改进模糊层次分析法的风速预测模型

针对风速具有较强随机性的特点,提出一种基于改进模糊层次分析法的风速预测组合模型。以风速预测周期、风速的振荡性及预测者对预测模型的信赖度为目标准则;通过模糊判断矩阵的方法确定组合模型的最优权重。该组合模型可以综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。算例分析表明,该组合预测模型的预测结果与传统的单一预测模型相比,误差更小,精度更高。

交通事故损失的时间序列分析

为揭示交通事故经济损失的变化规律,笔者研究并利用时间序列的方法,建立了ARIMA模型,对1985—2005年全国交通事故经济损失的数据进行了分析和预测。根据原始数据的特点,选择随机时间序列分析方法。通过对模型的识别和参数的选择,得到2006—2008年的交通事故损失的预测值分别为2.9559,2.9707和3.0129亿元,置信区间为95%。通过对1985—2005年交通事故经济损失的预测结果与原始数据的比较表明,预测结果接近原始数据,该方法为交通事故的预防和控制提供了技术指导和有益参考。

基于ARIMA和小波神经网络组合模型的交通流预测

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均(ARIMA)和小波神经网络(WNN)组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网络模型强大的非线性关系映射能力,把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差分自回归滑动平均模型预测交通流序列的线性部分,用小波神经网络模型预测其非线性残差部分,最终合成为整个交通流序列的预测结果。计算机仿真结果表明:组合模型的预测精度高于ARIMA模型和WNN模型各自单独使用时的预测精度,组合模型可以提高交通流预测精度,是交通流预测的有效方法。