自回归与神经网络组合的网络流量预测模型

网络流量具有时变性和非线性,单一预测方法难以准确描述网络流量变化规律,为提高网络流量预测准确率,提出一种网络流量组合预测模型(ARIMA-BPNN);首先采用ARIMA对网络流量进行预测,然后采用BPNN对网络流量非线性变化规律进行预测,且遗传算法优化BPNN初始权值,最后将两者预测结果作为BPNN输入进行二次预测,得到ARIMA-BPNN预测结果;仿真实验结果表明,相对于ARIMA、BPNN,ARIMA-BPNN提高网络流量预测精度,在网络管理中有着广泛的应用前景。

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。

ARIMA-BP神经网络高速列车隧道压力波预测模型研究

为更精准地进行车内压力波动控制,需要预测高速列车通过隧道时车外隧道压力波的实时变化值。在对列车历史运行重复隧道压力波数据的分析基础上,采用工况匹配(WCM)与加权K最近邻(WKNN)算法从数据库中选取若干与本次工况相接近的运行状态数据,并根据相似程度确定数据权重,构建预测用的历史数据。分别采用差分自回归滑动平均(ARIMA)与BP神经网络(BPNN)模型对隧道压力波进行预测,并将两种预测结果并联考虑,形成ARIMA-BPNN隧道压力波组合预测模型。利用武广客运专线某隧道压力波实测数据进行仿真。仿真结果表明:与WCM-WKNN-ARIMA及WCM-WKNN-BPNN单一预测模型以及WCM-ARIMA-BPNN组合预测模型相比,所建立组合模型能有效对隧道压力波进行预测,且能够取得更高精度的预测结果。

基于ARIMA-BP神经网络模型的桥梁SHM应变预测分析

桥梁结构健康监测的应变监测数据具有较强的趋势性与随机性,为提升数据的预测精度,提出将传统单一的自回归积分滑动平均模型(ARIMA)和BP神经网络预测模型进行加权与组合,并将这两种方法分别运用于江西省某跨江大桥桥梁结构健康监测系统记录的应变监测数据的预测进行验证。结果表明:仅运用单一模型预测时,BP神经网络的预测效果要优于ARIMA模型;加权与组合模型的预测精度均优于单一模型,其中加权模型及组合模型的残差平方和(SSE)与BP神经网络模型相差最大,分别高达50.23%与49.87%;对比加权模型与组合模型的各项误差指标,发现二者预测模型的预测精度极为接近;单一预测模型的误差包络范围大于其他两类模型,其中ARIMA模型的误差总和约为50με,BP神经网络模型的误差总和约为30με,加权模型的误差总和约为21.09με,组合模型的误差总和约为20.97με。经分析,加权预测模型与组合预测模型均能实现对桥梁SHM应变预测。

二重趋势时间序列的灰色组合预测模型

神经网络、ARIMA等广泛应用于具有趋势变动性和周期波动性的二重趋势特征的时间序列预测,而这些单一的模型难以达到满意的预测效果。提出一种针对该特征的灰色组合模型,其基本思想是:从二重趋势时间序列中分离趋势变动项和周期波动项后,用灰色G(1,1)模型预测趋势变动项,引用BP网络和ARIMA的组合模型预测周期波动项,用乘积模型合成两部分预测值为灰色组合模型的最终预测值。实验表明:该灰色组合模型适应了二重趋势时间序列的特征,具有很好的预测效果。

GRNN组合预测模型对辽宁省及部分地区肾综合征出血热发病率的预测研究

目的探讨广义回归神经网络(GRNN)组合预测模型在肾综合征出血热(HFRS)发病率预测上的优势及应用前景。方法利用1990-2001年辽宁省、丹东市、沈阳市和朝阳市HFRS发病率分别建立GM(1,1)灰色预测模型和求和自回归滑动平均(ARIMA)模型,把2个模型的预测值作为GRNN的输入,实测值作为网络的输出,对样本进行训练和预测,并对3个模型的预测效果进行比较。结果针对辽宁省HFRS发病率建立的GM(1,1)模型、ARIMA模型和GRNN组合预测模型的平均误差率(MER)分别为13.5143%、25.0814%和5.5755%;R2分别为0.8961、0.6997和0.9837。针对丹东市HFRS发病率建立模型的MER分别为19.7329%、20.6275%和14.0789%;R2分别为0.8112、0.7628和0.8750。针对沈阳市HFRS发病率建立模型的MER分别为15.1421%、18.0584%和14.3592%;R2分别为0.8757、0.7889和0.8585。针对朝阳市HFRS发病率建立模型的MER分别为51.5090%、28.6593%和28.5927%;R2分别为0.7863、0.8291和0.7753。GRNN组合预测模型对于辽宁省和丹东市的HFRS发病率预测效果好于2个单一模型;针对沈阳市所建立的HFRS发病率预测模型,GRNN组合预测模型和GM(1,1)模型相当,ARIMA模型最差。朝阳市的HFRS发病率预测模型不适合用上述方法建立。结论GRNN组合预测模型充分体现了它在小样本预测中的优势,预测效果优于GM(1,1)模型和ARIMA模型,对解决时间序列类型的HFRS发病率等资料有很好的实用价值。

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。

高速公路交通量组合预测模型研究

交通量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果。为准确预测,提出一种最优线性组合预测模型并给出了以预测误差平方和最小为目标函数的权系数最优解计算方法,在采用ARIMA模型、BP神经网络和支持向量回归机的基础上,利用组合预测模型实现了高速公路月度交通量的预测。实验结果表明:与季节差分自回归滑动平均模型、BP神经网络和支持向量回归机等预测模型相比,组合预测模型各项评价指标均优于前三者,为实现交通量准确预测提供了更为科学的依据。

马尔科夫链改进的ARIMA-BP神经网络模型研究

地基沉降的机理十分复杂,难以用一种预测模型精确预测。结合某地基沉降的实际数据,采用时间序列分析法和BP神经网络法相结合的组合模型进行预测,并用马尔科夫理论对预测结果进行改进,得到了更可靠的结果。

风电场短期功率组合预测模型研究

由于风能的间歇性,电网调度与运行一定程度上将依赖于对风电场短期输出功率的准确预测。利用某风电场输出功率14 d的历史数据建立3种单项预测模型,对未来36 h的短期功率进行预测。基于3种单项预测方法的结果,提出了3种组合预测模型:熵值法组合预测模型、以预测误差平方和最小的线性组合预测模型、基于诱导有序集结算子(IOWA算子)的组合预测模型。通过实例分析,3种组合预测模型有效结合了各单项预测模型的信息,均能取得较理想的效果。其中,基于IO WA算子的组合预测模型为所有6种预测方法中的最优。

基于ARIMA-BP模型的北京市平谷区地下水水质双尺度预测

选取区域尺度监测井PG-32和场地尺度监测井PG-45、PG-56中的水质指标为研究对象,采用差分自回归移动平均(ARIMA)模型对Cl-、SO42-和总溶解性固体物质(TDS)浓度进行线性预测,利用反向传播(BP)神经网络模型和等权重法组合ARIMA-BP模型对监测井PG-32中的Cl-、SO42-和TDS指标浓度进行非线性预测.结果表明,线性预测方法更适用于区域尺度下的水质预测;ARIMA模型、BP神经网络模型和ARIMA-BP组合模型对PG-32中水质指标预测的平均相对误差分别为6.11%、6.17%和2.94%,验证了组合模型的优越性;ARIMA-BP模型的预测显示未来区域地下水中Cl-、SO42-浓度变化相对平稳,TDS浓度呈现上升趋势,需引起地下水预警的重视.

基于FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测。对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。

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-LSSVM混合模型的犯罪时间序列预测

对犯罪时间序列的预测对帮助公安部门更好地掌握犯罪动态,实现智能犯罪发现具有重大意义。针对犯罪时间序列预测的计算需求,结合真实犯罪数据集,提出了ARIMA-LSSVM混合模型。该模型通过ARIMA预测出时间序列的线性部分,通过PSO优化的LSSVM模型预测非线性部分,以对序列进行充分拟合,最后通过混合算法计算最终结果。使用此混合模型达到了精准的预测效果,证明了模型的有效性。

基于ARMA误差修正的LM-BP模型的风功率预测

风的间歇性和波动性导致训练样本的多样性,为提高短期风电功率预测精度,保证电网正常运行以及电能质量,对风功率进行建模预测尤为紧迫。针对上述问题,首先对原始数据进行预处理将非正常数据剔除。其次,运用Levenberg-Marquardt(LM)改进的牛顿算法优化反向传播(BP)神经网络(LM-BP)构建预测模型,并与传统的前馈BP神经网络进行比较,仿真结果表明,提出的基于LM-BP的预测模型相比单一的BP模型更加接近实际功率值,性能更优。最后,针对LM-BP模型的预测误差建立自回归滑动平均(ARMA)模型来修正负荷预测结果,结果表明误差修正后预测精度明显提高。

基于组合模型的电网投资能力预测研究

随着我国电网投资环境的愈加复杂,准确预测电网企业的投资能力成为管理者制定精准投资决策的重要前提。首先,结合企业内外部环境,从内部财务、经济社会和电力行业3个维度选取影响电网投资能力的因素指标,并对这些指标进行主成分分析,得到降维后的主成分因子。然后,利用多元回归模型、反向传播神经网络模型、差分整合移动平均自回归模型分别对电网投资能力进行预测。最后,基于上述3种单一预测模型构建组合预测模型,并通过非线性规划法求取单一预测模型所占的权重系数。结果表明,与单一预测模型相比,组合预测模型对电网投资能力进行预测时能实现更高的预测精度,为电网投资决策与管理提供了参考。

基于GA-BP的中欧GNSS电离层误差建模与精度分析

电离层误差是全球卫星导航系统(GNSS)的主要误差来源之一,改正电离层误差的关键在于确定电离层的总电子含量(TEC)。针对现有电离层误差改正模型中存在的经验模型精度较低、球谐函数模型计算繁琐及其他模型存在的计算效率不足等问题,提出了基于遗传算法优化反向传播神经网络(GA-BP)的中欧GNSS电离层误差建模方法,并对模型精度进行了评估。通过国际GNSS服务组织(IGS)提供的TEC数据训练所提模型,挖掘了基于GA-BP模型的GNSS电离层TEC预测规则,并对不同时间和位置处的TEC值进行了短期、中期和长期预测。实验结果表明:基于GA-BP的电离层误差模型的短期预测均方根误差(RMSE)在不同纬度位置相比于自回归移动平均(ARIMA)模型分别提高了67.61%、36.33%、73.68%;在中期预测过程中的提升比例分别达到54.07%、22.36%、78.48%;在长期预测过程中的提升比例分别达到45.53%、43.78%、48.50%,能够更好地预测和拟合TEC随时间的变化情况。

SARIMA模型和BPNN模型在江苏省肺结核发病预测中的应用

目的探讨季节性差分自回归滑动平均(seasonal auto regressive integrated moving average,SARIMA)模型与反向传播神经网络(back propagation neural network,BPNN)模型在江苏省结核病发病数中的应用,评价两种模型的精确性,为江苏省制定肺结核防控策略提供参考。方法本研究以江苏省2011—2020年肺结核发病数据分别建立SARIMA模型和BPNN模型,以2021年1月—2022年6月的实际肺结核发病数进行检验,比较两种模型的预测精度和建模效果。结果SARIMA模型的均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、总体相对误差值以及最小误差率分别为192、128、5.18%、0.05%、1.14%,BPNN模型的RMSE、MAE、MAPE、总体相对误差值以及最小误差率分别为301、246、11.03%、2.79%、1.44%,均高于SARIMA模型。SARIMA模型的拟合值和预测值明显更接近于实际值,预测效果更好。结论SARIMA能较好地拟合和预测江苏省肺结核病每月的发病率,可为该病的监测和防控工作提供依据。

基于ARIMA误差修正的混合预测方法

由于水文时间序列中存在着大量的不确定性、灰色性、线性性以及非线性性等问题,传统单一的预测模型并不能完全提取水文时间序列中的信息,因此,为了提高径流量模拟的准确性,获得精度更高的径流量模拟数据。提出了一种基于求和自回归移动平均(ARIMA)修正反向传播(BP)神经网络的混合模型。实验结果发现,该混合模型可以提取单一BP神经网络未提取到的水文信息,并获得更高的模拟精度。

新组合模型在光电功率预测中的应用

为提高光伏预测要求的精准性,文章提出一种新算法将神经网络和ARMA算法改进组合,构成NEW ARMA-BP模型算法.以某30兆瓦的光伏电站采集的输出功率为输入样本,基于ARMA和BP神经网络算法在Matlab环境下依次搭建了相应的预测模型,预估光伏短期输出量.采用"误差正态检验图"判断基于两种不同算法的误差水平,依据两种单模型预测误差,运用所提出的新方法计算权值并获得新的预测值.基于Matlab的仿真结论验证了组合预测在光伏输出预测领域的适用性.