基于DWT-SARIMA-LSTM的流感预测模型研究

为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频成分与低频成分,对低频成分使用SARIMA模型、高频成分使用LSTM模型分别进行预测;其次,将预测值融合得到最终的预测结果;最后,构建流行控制图预警模型。使用从中国香港卫生署官网获得的中国香港地区2010—2019年的流感数据对模型进行预测和验证,其MAE为0.3427,MAPE为8.0973%,RMSE为0.4632,预警模型的准确率为100%,该模型较于如ARIMA-LSTM等其他混合模型有更高的预测精度。

利用卡尔曼滤波综合算法构建开采沉陷预测模型

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average,ARIMA)的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4%、3.0502%、1.432 6%、1.908 4%,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明:综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。

基于样本熵的港口集装箱吞吐量可预测性测度研究

港口吞吐量历史时间序列数据具有较强的随机性,而不同特征的时间序列数据的预测精度差异较大,由此产生了时间序列数据可预测性的测度问题。学术界认为,这种可预测性可以用熵进行描述。文章采用样本熵表征测度我国20个港口集装箱吞吐量时间序列数据的复杂性,然后运用自回归综合移动平均模型(ARIMA)预测港口吞吐量。结果表明,样本熵与其预测精度之间的相关性较弱,ARIMA模型对于港口生命周期处于“成长”阶段的港口或者大型港口的预测精度更好。研究结论有助于理解熵和时间序列数据可预测性之间的关系。

基于改进PSO-ARIMA模型的船舶纵摇角度预测

针对自回归移动平均(auto regressive moving average,ARMA)模型在船舶纵摇角度预测时不具有普遍适用性问题,提出使用自回归综合移动平均(auto regressive integrated moving average,ARIMA)模型进行纵摇角度预测,并采用改进粒子群优化(particle swarm optimization,PSO)算法对模型定阶。对纵摇角度值序列数据进行平稳性检验和差分运算,确定ARIMA模型的适用性;采用具有针对性适应度评价函数的PSO算法进行模型定阶,并优化PSO算法的权重计算方法。通过仿真对比验证本文所提方法的科学性和有效性。仿真结果表明:采用改进PSO算法进行模型定阶的方法能够有效提升模型的预测精度,具有更好的预测效果。

一种基于ARI模型和SRCKF的融合型算法的锂电池剩余寿命预测方法

锂电池的健康状态估计和剩余寿命(RUL)预测是电池管理系统的重要研究课题之一。平方根容积卡尔曼滤波(SRCKF)算法是扩展卡尔曼滤波(EKF)算法的一种改进,适合对锂电池的非线性退化过程建模。其中,对于特定电池单体,将自回归综合(ARI)模型的长期趋势预测作为SRCKF算法预测阶段的容量观测真值,从而弱化SRCKF算法对经验模型的依赖性,体现不同电池单体的差异性。同时,针对ARI模型对非线性系统预测能力差的问题,引入了一种表征锂电池不同阶段退化速率的健康因子,提升了ARI模型对锂电池非线性退化趋势的拟合度。最后,使用马里兰大学先进寿命周期工程研究中心(CALCE)的公开数据集验证所提算法,实验结果表明混合型算法在容量预测误差和寿命预测的精度上均有所提高。

基于中断时间序列分析评估河南省新冠病毒感染疫情防控对手足口病流行趋势的影响

目的:使用中断时间序列分析方法评估河南省新冠病毒感染疫情防控对手足口病流行趋势的影响。方法:从河南省卫生健康委员会法定报告传染病系统中收集2013年1月至2022年9月手足口病发病数据。用河南省2013年1月至2019年6月手足口病发病数据构建ARIMA预测模型,用2019年7月至2019年12月数据验证模型的预测效果。以该模型预测的2020年1月至2022年9月(疫情防控期间)手足口病发病数据为预测值,同期报告数据为真实值,采用阶跃变化、脉冲变化两种评价方法,分析疫情防控对手足口病发病的影响。结果:ARIMA(0,1,1)(0,1,1)12模型的MA1=0.43(t=3.14,P<0.001),SMA1=-0.62(t=6.94,P<0.001);根据AIC、AICC和BIC最小,LL最大,确定其为最优模型。该模型的预测值与真实值的平均相对误差为10.20%。疫情防控期间估计的手足口病发病数阶跃变化为-3471(95%CI为-11794~4852)例,估计的脉冲变化为每月9210(95%CI为3153~15268)例。结论:新冠病毒感染疫情防控降低了河南省手足口病发病水平。

基于调和分析和ARIMA-SVR的组合潮汐预测模型

为提高潮汐预测精度,解决单一调和分析预测精度不高的问题,提出一种基于调和分析和自回归综合移动平均-支持向量回归机(autoregressive integrated moving average support vector machine for regression,ARIMA-SVR)的组合潮汐预测模型。潮汐分析中,潮汐可认为是由受引潮力影响的天文潮位和受环境因素影响的非线性水位的叠加。采用小波分析对潮汐样本数据进行去噪处理,使用调和分析法计算天文潮位,以调和分析法计算产生的残差作为非线性水位样本数据,并使用ARIMA-SVR模型进行潮高计算,最后将两部分的计算结果进行线性求和得到最终的潮汐预测值。利用美国旧金山港口实测潮汐数据进行预测仿真,结果表明,该组合模型解决了调和分析忽略非线性影响的问题,提高了潮汐预测准确率,可行且高效。

玉溪市2010—2019年流感流行特征与发病趋势预测

目的:分析玉溪市2010—2019年流感的流行特征,建立自回归综合移动平均(ARIMA)模型预测流感发病趋势。方法:采用描述性流行病学方法进行数据统计分析,用SPSS 25.0软件建立ARIMA模型。结果:玉溪市共检测流感样病例9925例,检出核酸阳性2849例,阳性率为28.71%,流感阳性病例数大体上呈逐年上升趋势,平均增长速度为2.01%;流感阳性病例中,男女比为1.25∶1,5~14岁儿童占比最高(占40.86%)。流感具有较强的季节性(集中度为0.60)。各年度优势流感病毒株逐年变化,2010年和2018年以A/H1N1 pdm为主,2011年和2012年以B/Victoria为主,2013年和2016年以B/Yamagata为主,2015年和2017年以A/H3N2为主,2014年以B/Yamagata和A/H1N1 pdm为主,2019年以B/Victoria和A/H3N2为主。最佳预测模型为ARIMA(1,0,0)(0,1,1)_(12),其标准化BIC值为5.873,Ljung-Box Q为21.258,P=0.169,预测值和实际值均在95%置信区间内,平均相对误差为10.14%,利用该模型预测2020年1—6月流感发病呈下降趋势。结论:玉溪市流感具有较强季节性且流感阳性病例数大体上呈逐年上升趋势,优势流感毒株逐年变化,ARIMA(1,0,0)(0,1,1)_(12)模型可以有效地预测玉溪市短期流感发病趋势。

利用ARIMA改进HHT端点效应的方法

针对希尔伯特-黄(Hilbert-Huang transform,简称HHT)变换中经验模式分解(empirical modedecomposition,简称EMD)的端点效应问题,提出一种基于自回归综合滑动平均模型(ARIMA)进行端点延拓的改进方法。利用ARIMA在非平稳数据建模方面的优势,EMD前在待分析信号两端各预测一段数据,HHT后再截去延长的部分,保留原信号长度的处理结果。通过仿真信号和实测的转子不对中故障信号验证了该方法的有效性,证实改进后的算法能有效地抑制EMD端点效应的影响,信号故障特征更清晰,并且ARIMA模型的参数确定方便,算法易于使用。

基于分形与ARIMA的煤层气产量预测

煤层气产能受多种因素影响,错综复杂,难以控制,模拟过程复杂、资料难获得,有必要在资料不完全的情况下通过其他数学方法对煤层气产能潜力进行正确的分析。利用分形理论的R/S(重标极差法)分析方法对煤层气产量变化趋势进行分析,应用基于数理统计理论的ARIMA建模方法进行产量预测,可将R/S分析法中的参数估计来反映ARIMA模型适应性,提高预测准确性。应用分形-ARIMA预测方法对山西沁水某煤层气井产量进行了产量预测,经证明,预测结果具有较高精度,满足煤层气产量变化情况。基于分形分析与ARIMA模型的煤层气产量动态预测方法所需资料少,能够充分利用所掌握信息实现动态外推预报。

基于小波变换的非平稳信号趋势项剔除方法

分析了空间飞行器遥测信号处理传统趋势项剔除方法的优势和不足,提出了基于小波变换的非平稳信号趋势项剔除方法.这种方法通过滤波器组将信号分解与重构,实现趋向性信号与零均值平稳随机信号的分离.仿真实验表明,该方法简单、高效,适用于非平稳随机信号的处理,是一种实用的趋势项剔除方法.

2004~2017年中国大陆AIDS疫情时空分布特征分析

目的研究2004~2017年全国不同地区(不含港澳台地区)获得性免疫缺陷综合症(acquired immune deficiency syridrome,AIDS)发病率时空变化特性,为预防和控制AIDS提供参考依据。方法收集中国疾病预防控制中心公共卫生科学数据中心和国家统计局中国统计年鉴的关于AIDS流行病学数据;采用Joinpoint模型、时间序列分析及空间分析的描述性流行病学方法分析AIDS的时空特点。结果Joinpoint最终选择模型为1分段点模型(P=0.11),分段点为2012年:其中2004~2012年和2012~2017年年度变化百分比分别为34.7%和9.4%;2004~2017年年度变化百分比为24.3%。构建的最佳季节差分自回归综合移动平均模型为(2,1,0)(2,1,0)12,该模型拥有最小的赤池信息量准则和贝叶斯信息度量准则分别为64.92和70.85。2004~2008年国内所有省份的AIDS发病率均小于50/百万,广西和云南自2012~2017年连续5年发病率大于100/百万,是我国AIDS发病率最高的两个省份。AIDS传播热点主要集中在我国西南地区,包括广西、云南、贵州、四川和重庆,该区域主要为高-高聚集。结论目前中国AIDS发病率较高且仍处于快速上升的阶段,今后应重点关注广西、云南、贵州、四川、新疆和重庆六省市的AIDS发病情况,既要做到区域内防控,也要防止其向周边扩散。

基于快速小波变换的石英加速度计零偏预测

针对石英挠性加速度计零偏在贮存期间受外界环境影响发生漂移的补偿问题,研究了基于快速小波变换的加速度计零偏预测方法。通过Mallat算法从非平稳的零偏序列中提取出平稳的细节序列和非线性趋势序列,再根据序列的特点分别采用自回归移动平均(ARMA)模型和径向基函数(RBF)神经网络进行预测建模;最后利用小波重构公式得到零偏预测值。为验证所提方法的有效性,对某型加速度计2年贮存条件下的零偏标定值进行了建模仿真。结果显示:组合模型较单一自回归综合移动平均(ARIMA)模型和RBF模型预测精度分别提升45.5%和47.4%。

基于时序挖掘的船载雷达引导建模

如何为航天测量船测量设备提供高精度的引导信息是航天测量研究中的一个重要课题。为此,提出一种基于时间序列的数据挖掘技术来研究目标运动规律的方法,进而完成预测目标未来行为等决策性工作。采用某次飞行试验任务的测量数据进行实验测试,并建立模型,对雷达观测数据的变化特性给出描述。将此模型应用于测量设备的预测,可提高船载雷达设备的跟踪引导精度。

基于机器学习的流量预测及基站配置选择研究

本文主要针对小区的无线网络问题进行了相关研究,利用季节性自回归综合滑动平均模型预测小区流量的短期变化。首先利用pandas的read.csv()对数据进行分析,从数据缺失值填补、日期数据修改、上下行流量异常值分析、数据重复值处理这几个方面进行数据清洗,其次提取所需流量预测的小区的数据,分别从传统时间序列模型最后采用Stacking集成算法进行预测。

宁波市中心城区道路交通伤害时间序列分析

目的分析宁波市中心城区道路交通伤害(road traffic injury,RTI)病例的预测模型,并对RTI接诊变化趋势进行预测,为预防和控制RTI的发生提供依据。方法选择宁波市某急救中心2010-2015年RTI急救数据,按每月发生例数进行时间序列分析,建立自回归综合移动平均模型(autoregressive integrated moving average models,ARIMA),利用模型回代,预测该急救中心2016年RTI急救接诊新发数并与实际数值比较以验证预测性能。结果构建RTI接诊病例预测模型为ARIMA(0,1,1)(0,1,1)_(12),经Ljung-Box检验统计量差异无统计学意义(Q=17.564,P>0.05),所建模型拟合度好,2016年外部预测值与实际数相近。结论 ARIMA模型在模拟道路交通伤害变化趋势中具有较好的应用价值。

武冈市农村地区心脑血管住院病例的时间序列预测分析

目的建立武冈市农村地区心脑血管疾病(cardio-cerebrovascular disease,CVD)住院病例的预测模型,并对CVD住院病例的变化趋势进行预测分析,为医院合理配置CVD科室医疗资源提供参考依据。方法利用Stata 14. 0软件对武冈市2013年1月～2016年12月农村地区CVD住院人次月度数据构建季节性自回归移动平均混合模型(seasonal autoregressive integrated moving average model,SARIMA),并对2017年武冈市农村地区CVD住院病例进行预测分析。结果通过模型构建最终拟合的CVD住院病例预测模型为SARIMA(2,1,1) x(0,1,0)_(12)。Ljung-Box Q检验结果显示残差序列为白噪音序列(Q=11. 12,P=0. 680),说明所建模型拟合度较好,且2017年的预测结果与观测结果基本一致,总体相对误差在-1. 2%左右。预测结果显示,夏季为每年CVD住院高峰期。结论 SARIMA模型可以对武冈市CVD住院病例进行较准确的短期预测,医院可以根据不同月份CVD就医需求合理配置院内CVD科室医疗资源。

基于银行间国债回购利率时间序列的实证分析

预测市场利率的走势,对于商业银行利率风险管理非常重要。依据国债7天和14天回购利率数据,本文建立了利率预测综合自回归移动平均模型(ARIMA)和误差修正模型(ECM)。模拟结果表明,ARIMA模型不太理想,而ECM模型效果较好。

我国新发HIV感染者时空分布特征分析(2004—2017年)

目的了解我国新发HIV感染者的时空流行特点,为HIV防控提供科学指导。方法2004—2017年我国新发HIV感染者数据来源于中国疾病预防控制中心公共卫生科学数据中心和国家统计局,利用Joinpoint软件分析2004—2017年HIV发病趋势,季节自回归综合移动平均(SARIMA)模型预测HIV发病率,并使用Arcgis10.2软件观察HIV空间分布。结果Joinpoint最终选择模型为1分段点模型(P=0.87),分段点为2006年。2004—2017年,14年的年平均百分比变化率为14.82(95%CI:11.74~18.02)。最佳SARIMA模型为(0,1,1)(0,1,1)12,可写成(1-B)(1-B12)Xt=εt(1-0.70474B)(1-0.27582B12)。剔除季节效应和不规则噪声对HIV的影响后,HIV发病曲线变得更加平滑。我国HIV发病率较高的地区主要分布在新疆以及西南地区(云南、四川、贵州和重庆等地)。HIV传播热点主要集中在我国西南地区,包括广西、云南、贵州、四川和重庆,该区域主要为高-高聚集。结论目前中国HIV发病率较高且仍处于快速上升的阶段,HIV发病率较高的地区主要集中在新疆和西南地区,形成了广西、云南、贵州、四川和重庆地区高-高空间聚集性的特点。在今后的防控中,应重点关注这些重点地区。