基于数据挖掘及自回归积分移动平均模型预测的医用耗材库存智能化管理研究

目的:基于自回归积分移动平均(ARIMA)构建医用耗材ARIMA模型,为医用耗材库存管理中的各项决策提供技术支持。方法:采用数据挖掘技术中的时间序列分析方法对医用耗材库存进行预测,通过构建医用耗材ARIMA模型分析医用耗材库存变化趋势,预测未来一段时间内医用耗材库存可能出现的结果。选取2018-2021年医院医用耗材每月库存数据,根据2018年1月至2021年7月医院医用耗材每月的库存数据构建医用耗材ARIMA模型,对2021年8-12月的医用耗材每月库存数据进行模型验证和数据预测。结果:建立的医用耗材最优模型为ARIMA(5,1,2)(1,1,1),模型平均绝对误差为7.46%;采用该模型预测2021年8-12月的医用耗材库存量与实际医用耗材库存量比较接近,平均绝对百分比误差(MAPE)为2.075%,模型拟合效果较好。结论:基于数据挖掘技术构建的医用耗材ARIMA模型,可指导决策者根据预测值对医用耗材进行采购,一定程度上降低医用耗材积压率和断货率,减少客观因素引起的医用耗材损耗率。

自回归积分移动平均模型在长沙市白纹伊蚊密度预测中的应用

目的探讨自回归积分移动平均(autoregressive integrated moving average,ARIMA)模型在长沙市三种方法监测白纹伊蚊密度预测中的应用,预测密度增长趋势。方法收集整理长沙市2007年1月—2023年7月诱蚊灯法及2016年1月—2023年7月双层叠帐法、布雷图指数法监测白纹伊蚊密度数据,采用2007年1月—2022年12月诱蚊灯法监测数据、2016年1月—2022年12月双层叠帐法及布雷图指数法监测数据,应用R4.3.0软件分别构建季节性ARIMA模型,将2023年1—7月的三种方法监测数据实际值与预测值进行比较评价,预测2023年8—11月密度。结果对三种方法监测白纹伊蚊密度分别构建了最佳模型ARIMA(0,0,1)(2,1,2)12、ARIMA(0,1,1)(0,1,1)12及ARIMA(0,1,0)(1,0,2)12,模型赤池信息准则值及贝叶斯信息准则值均达到最低,且较好地拟合了既往密度序列,残差Box-Ljung检验为白噪声(P>0.05),可用于白纹伊蚊密度预测,预测2023年8—11月诱蚊灯法白纹伊蚊密度平均值为0.56只/(灯·夜),预测2023年8—10月帐诱指数及布雷图指数平均值为1.67只/(帐·h)及21.75,均高于2022年同期密度平均值:0.43只/(灯·夜)、0.72只/(帐·h)及3.67。结论ARIMA模型对长沙市三种方法监测白纹伊蚊密度数据构建的最佳模型拟合效果较好,可用于白纹伊蚊密度的短期预测,预测2023年下半年白纹伊蚊密度较2022年同期有增高趋势,应采取措施加大伊蚊密度控制力度。

基于自回归移动平均模型的图像模糊消除机制

为了克服图像模糊消除算法不稳定与解模糊等难题,保证复原图像的细节信息清晰完整,并提高算法的运行效率,获取实时性,提出了神经网络融合自回归移动平均模型的图像模糊消除并行稳定机制。引入神经网络,基于突触权重系数,构造激活函数;再嵌入人工蜂群算法(Artificial Bees Colony,ABC),并以神经网络的均方误差函数设计适应度方程,由ABC算法训练神经网络,利用优化后的神经网络来获取自回归移动平均模型的参数;再将自回归移动平均优化模型引入模糊图像,以同时识别模糊函数与模糊图像;并对模糊函数进行相关定义,以消除算法不稳定性与解模糊问题;再对模糊图像进行反卷积,消除模糊。借助仿真实验来测试该机制的相关性能,结果表明:与其他模糊消除算法相比,该机制的运行速度更快,时耗最短;且该机制更稳定,模糊消除效果更好,复原图像的细节信息清晰可见。

基于改进自回归差分移动平均模型的网络流量预测

为了缓解通信网络的拥塞问题,减少用户请求服务的等待时间,提高网络的利用率,网络运营服务商需要对网络实时流量进行分析,而建立准确高效的流量分析模型能提供更加准确的数据支持。基于此,提出了改进的自回归差分移动平均模型,该方法与传统模型方法相比,引入了误差扩散因子这一新的参数,并使用改良的粒子群算法得到欲求解的参数值。通过对测试集中的流量数据进行验证分析,可以得到,改进后的模型相比改进前,预测精度和稳定性均得到了提升。

基于ARIMA-LSTM的企业财务长期变化趋势预测算法

为了准确预测企业财务长期变化趋势,文章提出一种基于ARIMA-LSTM的企业财务长期变化趋势预测算法。通过设计ARIMA算法模型,并结合LSTM模型架构,实现基于ARIMA-LSTM的企业财务长期变化趋势预测。实验发现文中所设计方法的预测准确性较高,拟合性能更优。

基于ARIMA-LSTM的能量预测算法

无线传感器网络的节点运行往往受限于能量供给。对太阳能进行采集并转换成电能存储,可以延长节点的使用寿命。对太阳能进行能量预测,可以更好地规划和使用采集到的能量,这有助于节省能源、避免浪费,提升无线传感器网络的生存周期。针对太阳能预测,提出一种基于自回归积分移动平均-长短期记忆(Autoregressive Integrated Moving Average-Long Short Term Memory,ARIMA-LSTM)组合模型的能量预测方法。首先,采用ARIMA模型来对太阳辐照数据进行预测,提取数据中的线性分量;然后将过滤后的残差代入LSTM神经网络模型,得到非线性分量的预测;最后将二者进行相加,得到最终的预测结果。仿真实验显示,组合模型比起现有的单一模型,能够有效地提高预测的精度。

自回归积分移动平均模型在长沙市蝇密度预测中的应用

目的构建长沙市蝇密度自回归积分移动平均模型(ARIMA),并对2023年1-12月蝇密度进行预测。方法应用R 4.3.0软件对2005年1月-2022年6月的蝇密度数据构建ARIMA模型,将2022年7-12月预测值与真实值进行比较,进行模型预测效果评价,进而对2023年1-12月蝇密度进行预测。结果采用ARIMA模型对2005年1月-2022年6月蝇密度监测数据构建,选取最佳模型为ARIMA(1,0,0)(0,1,1)_(12),其赤池信息准则(AIC)值及贝叶斯信息准则(BIC)值均最低,分别为986.50及996.37;模型残差序列为白噪声,模型有效;预测2022年7-12月的蝇密度与实际密度基本一致,实际监测值均落入了预测值的95%置信区间内,均方根误差(RMSE)为0.649,平均绝对误差(MAE)为0.522,可用于短期蝇密度预测。利用该模型预测2023年1-12月蝇密度,其密度平均值为2.89只/笼,低于2005-2022年平均密度(3.22只/笼),高于2022年平均密度(1.20只/笼)。结论ARIMA(1,0,0)(0,1,1)12模型对长沙市蝇密度数据的拟合效果较好,可用于蝇密度的短期预测,为预防控制蝇类危害事件及蝇传疾病提供依据。

基于ARIMA-PSO-LSTM的太阳能预测

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。

基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型研究

为提高大坝变形预测精度,针对大坝变形数据的复杂性和非线性等特征,基于自适应噪声完备集成经验模态分解(CEEMDAN)、数据处理群集法(GMDH)和差分自回归移动平均模型算法(ARIMA)进行大坝变形预测研究。采用CEEMDAN将大坝变形原始数据分解为高频随机分量、中频周期分量和低频趋势分量,再分别采用GMDH模型、ARIMA模型对高中频分量、低频分量进行预测,建立基于CEEMDAN-GMDH-ARIMA的大坝变形预测模型。以江西上犹江水电站为例,将该模型预测结果与反向传播(BP)、径向基函数(RBF)、GMDH和CEEMDAN-GMDH模型的预测结果进行对比分析。结果表明:CEEMDAN-GMDH-ARIMA模型的均方根误差(E_(RMS))、平均绝对误差(E_(MA))、相关系数(r)分别为0.048 mm、0.035 mm、0.994,均优于BP、RBF、GMDH、CEEMDAN-GMDH模型,模型预测效果最好,能够很好地体现监测点水平位移变化趋势。

预测节点剩余能量组合预测的OLSR路由算法

针对传统OLSR路由算法存在的不足,提出了一种节点剩余能量组合预测的OLSR路由算法(MOLSR)。首先采用回归移动平均模型对节点的剩余能量线性变化特点进行预测,然后采用神经网络对残差的时间序列建立非线性预测模型,对节点的剩余能量非线性变化特点进行预测,最后将两者的预测结果进行相加,并用于进行OLSR路由算法的路由选择中。仿真结果表明,MOLSR路由算法不仅减小了网络开销,有效防止节点剩余能量过早耗完,而且延长了网络的生存时间,具有一定的实际应用价值。

基于R语言自回归积分移动平均模型的广州市白纹伊蚊密度预测研究

目的构建广州市白纹伊蚊密度自回归积分移动平均模型(ARIMA)并进行预测。方法应用R语言3.4.4将2009年1月至2017年5月的白纹伊蚊月密度数据构建ARIMA模型,进行整体回代评价拟合效果,比较2017年6-12月预测值与真实值,评价外推效果,对2018年白纹伊蚊密度进行预测。结果白纹伊蚊密度监测数据构建ARIMA(0,1,1)(0,1,1)12模型,赤池信息准则(AIC)=-268.83,平稳R2=0.427;残差序列为白噪声(P>0.05),且方差齐性,证明模型有效;2017年6-12月预测值与实际值基本一致,均方根误差(RMSE)=0.087 4,平均绝对误差(MAE)=0.028 3,模型外推良好。结论 ARIMA模型能够较好地预测广州市白纹伊蚊密度消长趋势。

基于R语言自回归积分移动平均模型在长沙市三带喙库蚊密度预测中的应用

目的构建长沙市三带喙库蚊自回归积分移动平均模型(autoregressive integrated moving average,ARIMA)并进行预测。方法应用R语言3.3.2将2007年1月~2015年6月的三带喙库蚊密度数据构建ARIMA模型,比较2015年7~12月预测值与真实值,对2016年三带喙库蚊密度进行预测。结果三带喙库蚊密度监测数据构建ARIMA(1,1,1)×(1,1,0)12模型,赤池信息准则(AIC)值为487.98,经检验残差为白噪声(P>0.05),模型有效。2015年7~12月预测值与实际值基本一致,均方根误差(RMSE)=3.021,平均绝对误差(MAE)=2.132,模型外推良好。结论ARIMA模型在三带喙库蚊密度短期预测方面有一定可行性。

基于ARIMA模型与BP神经网络算法的水质预测

近年来,政府相关部门虽然对地表水加大了治理力度,基本遏制河流水质恶化的势头,但是,突发环境污染事件仍然时有发生,对人体健康、生态安全造成了重要影响。利用水质在线监测仪虽然可以实时监测水质变化,但是智能化程度低,为此亟需采用先进手段实现对河流水质的预测预警并提前进行防范,最大程度降低类似藻类暴发等事件带来的损失。文中以嘉兴市河道水质为主要对象,开展水质预测模型研究,具有一定的实际应用价值。采用基于ARIMA自回归积分滑动平均模型与改进的BP神经网络算法相结合的方法进行水质预测的建模,研究水质数据和气象数据包含的线性关系和非线性关系,建立水质预测组合模型,并通过模型进行水质电导率、溶解氧、总磷、总氮、高锰酸盐、氨氮的预测;通过理论分析及试验对比,基于ARIMA自回归积分滑动平均模型与BP神经网络算法构建的模型,在水质预测方面比单纯使用传统的ARIMA模型具有更高的精度,各指标的MRE(平均百分比误差)、RMSE(均方根误差)均有很大程度的减小,提供了更科学、更准确的河流水质指数预测方法。

基于ARMA模型和狼群算法的陀螺随机漂移建模研究

光纤陀螺的随机漂移误差是影响惯性导航系统精度的关键因素之一,根据陀螺随机漂移数据的数学模型进行补偿,可有效地提高系统精度。在大量实验的基础上建立陀螺随机漂移的自回归移动平均(ARMA)模型,同时使用长自回归模型法求解模型参数,再对参数进行优化。实验结果证明:经狼群算法优化后的陀螺随机漂移模型更加准确,建模精度相对于传统的时间序列分析法有了较大提高。研究内容对光纤陀螺随机漂移建模精度的提高有较好的参考价值。

改进GPC算法在永磁同步电机控制系统中的应用

为了使永磁同步电动机(PMSM)矢量控制系统适用于更高要求的场合,在给出PMSM在d-q旋转坐标系中的模型表达式和传动系统机械运动方程的基础上,推导出了系统的基于受控自回归积分滑动平均(CARIMA)模型。基于此模型和金元郁等提出的改进广义预测控制算法(JGPC)设计出了适用于PMSM驱动系统的速度环的改进广义预测控制器。仿真实验表明,JGPC控制器可以很好的跟踪给定速度曲线,辨识出的参数跟实际电机的相关参数一致,且动态及稳态性能良好。

蚁群算法分配权重的燃气日负荷组合预测模型

为适应城镇燃气日负荷随机性和多变性的特点,克服特定时刻单一负荷预测模型存在实际应用局限性的问题,将5种评价准则用于组合预测前剔除冗余模型,提出了一种建立变全重组合预测模型的方法,通过蚁群算法确定分配权重的组合预测模型,使得在一个时段上的燃气日负荷预测精度好于各单一模型.首先对包含诸多随机和模糊等不确定因素的城镇燃气日负荷时变系统和各预测模型特点进行分析;然后确定岭回归分析(Ridge)、差分自回归积分滑动平均模型(ARIMA)、支持向量机回归(SVR)、极端梯度提升树(XGB)共4类单项日负荷预测模型,结合城镇燃气日负荷和模型的特点,分别给出每个模型各项参数的设置和模型的输入向量;用平均相对误差、均方根误差、灰色关联度、相关系数、Theil不等系数为评价准则计算出的综合评价指标剔除冗余模型,最后建立了蚁群算法权重分配的组合预测模型.预测实例表明,蚁群算法分配权重的燃气日负荷组合预测模型长期的综合预测效果要优于任意单项模型,相比于单一模型而言,组合预测模型的稳定性和容错率更高,具备较强的泛化能力.

基于自回归移动平均算法的产能预测方法研究

油田经过多年开发积累了大量的动态数据,如何挖掘数据的内在变化规律,并进行产量预测,对油田开发具有重要意义。本文提出了一种基于自回归移动平均模型的油井产量预测方法。针对油田产量数据变化特征,运用指数平均算法进行数据平滑处理,在自回归移动平均参数优选的基础上,建立自回归移动平均算法模型,训练后得到产能预测模型。预测结果对比表明自回归移动平均算法在油田产量预测方面具有较高的精度,能够满足油田矿场要求。

基于ARIMA模型与BP神经网络算法的水质预测

河流的水质预测对于河道水质实时监测、预警及提前防范具有重要意义。复杂水域的水环境涉及的环境影响因素较多,环境模拟的数学模型建立具有不确定性和复杂性的特点。通过使用水质站点采集的历史数据和流域周边的历史气象数据,待预测水质指标本身随着时间的变化规律或环境变量与待预测水质指标之间的非线性关系,可以通过不同的预测方法来推断。采用基于ARIMA自回归积分滑动平均模型与改进BP神经网络算法相结合的方法进行水质预测的建模,建立水质数据和气象数据包含的线性关系和非线性关系,实现水质预测模型。通过理论分析及实验对比结果表明,基于ARIMA自回归积分滑动平均模型与BP神经网络算法构建的模型在水质预测的评价上具有较好的精度和泛化能力,为科学、准确的河流水质指数评价和管控提供了可能。

不同预测算法在简单交通场景中的应用比较

为探讨不同趋势预测算法在简单交通场景中应用的有效性,以部分高速公路收费站数据集为研究对象,分别采用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、长短期记忆(Long Short-Term Memory,LSTM)循环神经网络和Prophet时间序列预测算法建立交通流预测模型。通过对比分析发现,3种预测模型在解决交通流预测问题方面均表现良好,相比之下,LSTM在模型拟合和预测精度方面表现更好,泛化能力更强,且在影响因素设置方面更为灵活。在以后的研究中,可采用LSTM,结合调参方法解决更多交通场景下的交通流预测问题。