基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于自回归求和滑动平均模型的风力发电机轴承寿命预测

提出了基于自回归求和滑动平均(ARIMA)模型的风力发电机轴承寿命预测方法。以经小波包去噪、平稳化处理后轴承振动信号的均方根值为特征量,利用贝叶斯信息准则确定ARIMA模型的自相关阶数和滑动平均阶数,并用矩估计方法求出ARIMA模型的参数。利用求得的ARIMA模型得出振动信号均方根值的变化趋势,进而预测出风力发电机轴承的寿命。仿真结果表明,基于ARIMA模型的风力发电机轴承寿命预测方法能够有效地利用实时数据对轴承寿命进行预测,为风力发电机组的设计和维护提供理论依据。

浙江省月度电力需求的变分模态分解-自适应模糊神经网络-差分整合移动平均自回归组合预测模型及应用

为提高电力需求预测的精度,提出了一种将变分模态分解(variational mode decomposition,VMD)和自适应模糊神经网络(adaptive network-based fuzzy inference system,ANFIS)相结合的方法并应用到月度电力需求预测中。首先将原始数据通过VMD分解成有限带宽的子模态序列,选用差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)、ANFIS、经验模态分解(empirical mode decomposition,EMD)与ANFIS相结合和VMD-ANFIS几种模型进行预测结果对比。结果表明:相比直接利用ANFIS模型得到的预测结果,增加VMD分解过程能有效减小预测误差。说明所应用的VMD-ANFIS方法更具优越性,可以获得更好的预测结果。

改进的差分自回归移动平均模型的共轭梯度参数估计法

为了提高差分自回归移动平均模型的拟合精度,本文结合已有的文献,借助无约束优化方法来解决此模型中的参数估计问题。主要提出了一种改进的差分自回归移动平均模型参数的优化估计法,并对提出的算法进行详细说明,在强Wolfe条件下对全局收敛性进行了证明。该方法保证了迭代计算的收敛性,并且提高了收敛的速度。数值试验结果说明:该算法是一种较为有效的方法,与其他方法比较,参数估计值更为显著,提高了预测精度。

基于纵向修正ARIMA的负荷聚合商潜力计算及调峰策略

负荷聚合商组织需求侧资源参与调峰市场和电能量市场时,存在负荷预测准确度不够导致合同购电量误差大、市场界限模糊导致考核结算重复等问题,因此文中提出基于纵向修正差分自回归滑动平均(autoregressive integrated moving average,ARIMA)模型的负荷聚合商潜力计算和调峰策略。首先,利用纵向修正ARIMA算法预测基线负荷,构建负荷聚合商的调峰潜力测算模型,挖掘需求侧资源的可调节能力,为电力市场交易提供数据基础;其次,制定电能量市场与调峰市场的负荷偏差考核方式,以月度滚动时域综合结算收益最大为目标,构建考虑偏差考核的负荷聚合商调峰模型;最后,基于某典型地区负荷聚合商月度历史负荷数据,对所提方法进行算例分析。结果表明考虑负荷偏差考核的负荷聚合商调峰策略可以提升聚合商的调峰收益约23.7%,降低负荷聚合商峰谷差约10%,验证了文中方法的合理性和有效性。

基于Holt-ARIMA-Lagrange Multiplier的CWC信息熵时序研究

降水云系的发展过程及其特征分析,是云降水物理学中的一个重要问题.本文选取一次云发展过程中的700 hPa云水含量(Cloud Water Content, CWC)和大气垂直方向上气流速度(Omega, OMG)的1 h值,以信息熵来度量CWC空间分布的混沌程度,辅以OMG的时间变化来判断云的发展,并提出了一种基于多尺度分解、Holt模型、自回归滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)和Lagrange Multiplier的组合预测方法.结果表明:1)CWC熵具有非线性和非平稳性;2)在云的不同发展阶段,北方CWC熵序列的均值都小于南方,方差普遍大于南方;3)OMG区域均值与CWC熵的小波低频重构的极值点在时间上有很好的对应关系,相近的极值点在南方中占50%,在北方中占83.3%,表明CWC熵可以在一定程度上反映云系的发展;4)CWC熵序列往往具有多种时间尺度特征,故进行多尺度分解之后再组合建模的Holt-ARIMA-Lagrange Multiplier模型比单一预测方法、单层分解的预测模型更优,准确率提高3%以上.

基于GRU和ARIMA混合模型的IGBT失效预测

针对现有绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)失效特征预测误差较大的问题,构建一种基于门控循环单元(Gated Recurrent Units,GRU)和自回归整合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的门控自回归混合失效预测模型。混合预测模型利用全连接层连接门控循环单元和自回归整合移动平均模型构建成。实验结果表明,门控自回归混合失效预测模型在均方误差、平均绝对误差和最大相对误差上的误差对比现存方法平均减少约12.94%。

应用乘积季节ARIMA模型的话务量预测及结果分析

话务量预测功能对于电信网络规划建设、网络优化意义重大。深入研究了某省某移动网络运营商的多年的话务量数据,利用自相关函数对其周期性和趋势性方面的规律进行了探测,并在此基础上提出应用乘积季节ARIMA模型进行建模和预测的方案。进行了2008年7月到12月的全省及各地区月日均话务量的预测,并与网络实际运营结果进行了比较。所应用方法的一步预测值平均绝对百分比误差MAPE为1.382%,6步预测的MAPE值均在6%以内,是精确度很高的预测;对预测误差较大的某地区进行了原因分析,证明了模型的正确性,并为实际预测应用中经常遇到的预测误差偏大的问题提供了一种有效的分析思路和方法。

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。

基于小波分析的短期电价ARIMA预测方法

电力市场中的电价具有特殊的周期性,以天、周、年为周期波动,且大周期中嵌套小周期。作者提出一种基于小波分析的累积式自回归滑动平均方法(WARIMA)用于短期电价预测,首先利用小波变换能将交织不同频率成份的混合信号分解成不同频带上的块信号的特性,将电价这一随机序列进行小波分解,得到低频上的概貌序列和高频上的细节序列,并在此基础上对各个子电价序列分别利用累积式自回归滑动平均模型(ARIMA)进行预测,然后在电价平稳时段用概貌序列预测结果直接作为电价预测结果,而在电价非平稳时段将各子序列预测结果重构作为最终的预测结果。为了对比分析,将直接使用ARIMA模型的预测结果和采用WARIMA方法的预测结果进行了比较,表明引入小波分析对提高预测精度是有益的。

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。

SARIMA模型在医院住院人次预测中的应用

住院量是评价一个医院医疗工作的重要指标，直接或间接地反映出一个医院的规模、医疗质量及医疗水平。因此，了解住院量的变化情况，对于合理安排资源，提高医疗工作效率意义重大。要了解住院量的情况，就要对其进行预测。目前预测的模型及方法主要有线性回归模型、神经网络模型、灰色预测模型、马尔科夫链模型以及时间序列模型等。针对住院量数据的特殊性，本文选用季节自回归滑动平均模型（seasonal auto regressive integrated movong average model，SARIMA模型），分析2000-2011年住院量的历史数据，探讨其发生发展的规律并预测未来半年医院住院量的情况，为医院规划自身发展提供科学的依据。

基于FARIMA模型的流量抽样测量方法

目前的流量抽样测量方法主要基于传统的数学理论,并没有考虑到实际网络流量的特征,基于此,提出基于FARIMA流量预测的抽样方法,根据流量预测值动态调整抽样率,既减轻了CPU的负载,又节省了存储空间。通过对比实际使用中的流量抽样测量方法取得的数据报文样本均值和Hurst参数,表明该方法能够正确体现原始数据的流量行为统计特征。

ARIMA模型应用于临床悬浮红细胞用量预测的探讨

目的建立分析和预测临床用血量的回归滑动平均混合模型（ARIMA）,为科学预测临床血液用量及合理储血提供依据。方法使用SPSS16.0软件做模型的识别、模型的参数估计与检验,建立ARIMA模型,对本院2007~2012年临床悬浮红细胞用量进行统计分析,将2013年预测值与实际值比较,检验模型的预测能力。结果构建ARIMA（0,1,1）（0,1,0）12模型,残差序列是白噪声,拟合优度相对较好,该模型的平均百分误差为5.78%,预测效果良好。结论 ARIMA模型能够科学、有效、客观反映时间序列的变化规律,为以后医院临床用血及合理储血提供了依据。

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。

一类基于FARIMA过程的电梯导轨振动模型

研究电梯运行中导轨的随机振动时 ,将电梯运行中测得的导轨间距离DGB看作一时间序列 ,发现具有长相关性。常用的整数自回归模型、分数噪声模型都只能片面地描述该类数据的短相关性或长相关性。给出了利用FARIMA(自回归分数整合滑动平均模型 )拟合DGB的方法 ,该模型可同时刻画实测数据DGB的长相关和短相关特性 ,并通过对实测数据的实验 ,证明了模型的优效性。

变电设备温度态势感知及辅助决策系统方案研究

【目的】为了提升变电设备运维管理的智能化水平,及时发现并预防因设备过热导致的故障风险,保障电网安全稳定运行,提出了变电设备温度态势感知及辅助决策方案。【方法】从感知层、理解层、预测层和辅助决策层4个方面展开研究。在感知层,利用K近邻(K-nearest neighbor,KNN)分类算法分析多类温度数据的关联性。在理解层,通过BP神经网络构建历史数据传递模型,以处理历史数据缺失问题。在预测层,为应对非线性数据和噪声,设计了自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型与支持向量机(support vector machine,SVM)组合的温度预测模型。在辅助决策层,应用灰色关联度分析设备温度变化与故障风险之间的关系。【结果】基于所提方案的算例验证结果表明,该方案实现了对设备未来温度变化趋势的有效感知,并为设备缺陷判断提供了依据。【结论】所提方案通过多维度、深层次的温度数据分析,揭示了设备温度与故障风险之间潜在的关联关系,实现了对变电设备运行趋势的预判,为变电设备运行方式优化以及制定设备检修计划提供参考。

基于ARIMA模型的信息构建研究主题趋势预测研究

[目的/意义]识别某学科领域期刊论文中蕴含的主要研究主题并预测其发展趋势,有助于掌握学科领域的研究热点和研究动态,对于深入分析领域发展趋势具有一定的意义。[研究设计/方法]首先利用LDA模型进行主题识别,并通过自定义函数获取各个主题的年度概率分布,从而得到主题变化时间序列数据;而后建立ARIMA模型对信息构建领域的主要主题时间序列进行预测分析。[结论/发现]目前国内信息构建领域信息构建评价指标、信息组织、网络信息和知识构建等研究主题呈现良好的发展势头。[创新/价值]将ARIMA模型应用于信息构建领域,一方面对近20年国内信息构建领域研究主题加以识别并对主要主题的演变趋势进行预测,为信息构建与主题预测有关研究提供参考借鉴,另一方面也验证了本文提出的主题预测方法的可行性和有效性。