我国鸡蛋价格趋势周期分解和冲击效应分析

为研究鸡蛋价格趋势周期和相关因素对鸡蛋价格波动的影响程度,采用B-N分解法对鸡蛋价格波动周期进行分解,用VAR模型研究了蛋鸡配合饲料价格、蛋雏鸡价格对鸡蛋价格波动的脉冲响应,同时采用方差统计比的方法,计算出随机冲击效应对鸡蛋价格的影响。研究结果表明:2000年1月—2014年12月的鸡蛋价格可以划分为8个周期,鸡蛋价格自身供求变化对于鸡蛋价格波动的脉冲响应达到69.37%,蛋鸡配合饲料、蛋雏鸡分别是11.70%、3.05%。短期内随机冲击对于鸡蛋价格波动的影响是100%以上,长期内随机冲击对于鸡蛋价格波动的影响为40%。

中国金融状况周期波动特征及趋势周期分解

本文基于RTV-DFM合成的金融状况指数(FCI)分析中国的金融状况,通过趋势周期分解试图揭示中国金融状况周期波动及长期趋势特征,并在此基础上进行预测。研究发现,本文合成的FCI很好地刻画了中国的金融状况,可作为金融经济变量的先行指标,中国金融周期与货币政策周期高度一致,随机性趋势与FCI趋势高度一致,周期性短期波动与FCI同步反向变化,市场情绪及投资者预期非理性掩护下的随机冲击是中国金融状况剧烈波动的原因。预测显示中国金融状况将渐进式"走出最坏,逼近光明"。

基于多周期趋势分解和两级融合策略的浪高预测方法

不同海区的近岸海浪浪高具有明显差异性。针对当前大部分时间序列预测模型缺乏对不同地区(多源)浪高预测的适应性难题,提出了一种基于局部加权回归的多周期趋势分解(Seasonal and Trend decomposition using Loess,STL)和两级融合策略的浪高预测模型,简称为MSTL-WH(Multiple STL-Wave Height)。结合多源近岸浪高时间序列的多周期性、非线性和非平稳性的特点,首先利用周期图法提取多源近岸浪高数据集中的4个主要周期,并基于主要周期进行多次STL分解,将复杂的原始浪高序列分解为周期项、趋势项和余项;然后利用长短期记忆网络(Long Short Term Memory,LSTM)并结合两级融合策略,搭建近岸浪高预测网络;最后使用自注意力机制重新调整权重并输出未来12 h的浪高值。通过与当前主流时间序列预测方法对比,验证了所提方法在多源近岸浪高序列预测中具有较好的实用性和更低的预测误差。

基于局部加权周期趋势分解算法和注意力机制的变压器顶层油温多步预测

首先,应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL),将变压器顶层油温分解成趋势、周期和残差分量;然后,使用一维卷积网络和编码器–解码器提取特征,生成特征矩阵;最后,引入注意力机制挖掘特征矩阵中对当前预测结果产生显著影响的信息,并随预测时间更新,最终得到多步预测结果。算例分析表明,与传统预测方法相比,该方法能够有效提取顶层油温数据特征并缓解预测时间增长带来的预测误差累积,具有更高的多步预测精度。

一种基于STL-Prophet-Informer模型的太阳电池阵多变量趋势预测方法

为了提高太阳电池阵多变量预测的精度,解决阳电池阵遥测参数存在周期波动与增长性互相耦合的问题,提出一种基于STL-Prophet-Informer模型的太阳电池阵多变量预测算法.该算法首先应用局部加权周期趋势分解算法(seasonal and trend decomposition procedure based on loess,STL)对太阳电池阵的多个参数分解为趋势分量、周期分量和残差分量,然后采用对趋势性数据预测效果较好的Prophet预测趋势分量,Informer模型预测周期分量和残差分量,最后将各分量预测结果相加后得到总的太阳电池阵参数预测值.以某卫星太阳电池阵实际遥测数据做算例分析,提出算法的各项误差评价指标和单一的Informer模型、LSTM模型等相比有明显减小,将该组合预测模型用于太阳电池阵多变量参数预测中,可以提高参数预测精度,提升卫星自主运行性能.

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

基于时间序列谐波分析的死亡事故总量波动趋势分析

为了研究月度生产安全事故变化趋势中存在的长期平稳性和短期波动的周期性特征,采用Hodrick-Prescott滤波方法将自2011年1月至2017年11月的造成人员死亡(包括下落不明)的较大及以上生产安全事故月度时间序列分解为长期趋势和短期波动两个部分。采用最小二乘法对事故长期趋势序列进行拟合,建立了月度事故序列的长期趋势时域线性回归模型,用以研究事故序列的长期变化特征;采用快速傅里叶变换方法,分解得到事故序短期波动项在频域上的幅值谱和相位谱,研究了事故序列的幅值谱和相位谱。结果表明,月度较大及以上生产安全事故变化过程同时存在长期稳定和短周期性波动等2种趋势,其中长期下降趋势具有显著的线性特征,短期波动变化则包含多个频率变化周期,其中影响较显著的3个主要周期项分别为4.1个月、11.7个月和27.3～41个月。

基于HP滤波与ARMA模型的生产安全事故时序预测

为了研究月度生产安全事故变化规律并进行预测,采用Hodrick-Prescott滤波将事故序列分解为长期稳定趋势和短期波动两部分。对长期事故序列进行了平稳性检验,建立了线性回归预测模型。通过比较不同形式模型变量的显著性,建立了反映事故短期波动的自回归移动平均模型,短期预测值用于修正长期趋势预测值。结果表明,事故序列在长期上符合线性回归模型;事故短期波动预测ARMA(4,6)模型显示,事故波动变量与前1、2、4期存在自相关特征。

基于STL-EEMD-GA-SVR的采煤工作面瓦斯涌出量预测方法及应用

瓦斯涌出量准确预测可为矿井通风及瓦斯灾害防治措施提供重要依据。为提高采煤工作面瓦斯涌出量预测精度,根据陕西黄陵某矿采煤工作面绝对瓦斯涌出量监测数据,应用基于局部加权回归的周期趋势分解(Seasonal-Trend decomposition procedure based on Loess,STL),将监测数据分解成趋势项、周期项和不规则波动项;利用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),将不规则波动项分解得到不同特征尺度的IMFs(Intrinsic Mode Functions,IMFs)分量以及残差余量;通过遗传算法(Genetic Algorithms,GA)参数寻优后的支持向量回归机(Support Vector Regression,SVR),对各项分解数据进行预测;叠加各分量模型预测结果,得到最终瓦斯涌出量预测结果。结果表明:在预测集为247、147和70组3种情景下,对比分析了STL-EEMD-GA-SVR模型(简称SEGS)、EEMD-GA-SVR模型、GA-SVR模型和高斯过程回归(Gaussian Process Regression,GPR)模型的评价指标精度,其中,SEGS模型最优,拟合度R^(2)分别为0.81、0.92、0.99,峰值点平均相对误差最低,分别为3.15%、2.33%、1.04%。所构建的SEGS模型可以准确预测采煤工作面的瓦斯涌出量。

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.

中国金融周期成分与随机冲击

本文基于RTV-DFM合成的FCI分析中国金融状况,通过趋势周期分解试图揭示其趋势周期波动特征。研究发现:该金融状况指数能够很好地反映中国金融状况的历史趋势及非对称特征且具有较好的预警功能,结果显示金融危机期间的刺激政策存在滞后效应,没能及时、充分发挥其作用;中国目前已经历了两次完整的金融景气周期循环,且处在第三次循环的泡沫破灭阶段并深陷于此,结果表明中国金融周期性短期波动与FCI趋势变化背道而驰,随机性趋势成分与FCI保持一致,且随机冲击的驱动效应更为强劲。

基于STL的南海海表温度组合预测模型

海表温度(sea surface temperature,SST)是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生,SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性,首先利用周期趋势分解算法(seasonal-trend decomposition procedure based on loess, STL)对数据进行预处理,分解得到季节分量、趋势分量和残差分量子序列,依次选择相应的预测方法构建组合模型。季节分量应用具有时间嵌入编码模块的Transformer网络预测,充分挖掘序列全局信息,解决时间序列长时间依赖问题;趋势分量应用线性回归模型预测;残差分量应用自回归模型预测。选取南海海域单点SST数据,应用基于STL的SST组合预测模型建模,预测5 d的SST值。实验结果表明,本文模型在单点SST预测任务中,能够有效捕获SST变化规律,提高预测精度。

基于STL的海表面温度预测算法

海表面温度是海洋科学研究中重要的参数之一,有效预测海表面温度对海洋灾害预警、海洋经济以及海洋生态环境研究具有重大意义。针对海表面温度具有周期性、持续性、非平稳性和非线性的特性,首先利用基于局部加权回归的周期趋势分解方法将原始海表面温度序列分解为周期项、趋势项和余项,挖掘海表面温度的潜在信息并去除序列中的随机噪音,再结合长短期记忆网络模型的优点,搭建神经网络来预测未来5天内的海表面温度。通过与其它模型的预测效果进行对比,实验结果表明,本文方法在预测海表面温度时具有较好的预测精度,能够实现海表面温度的有效预测。