基于ARIMA-LSTM的高速公路交通安全组合预测模型研究

为建立准确有效的交通事故预测模型,提升高速公路交通安全水平,以重庆市11条高速公路2011—2016年共计65 119起交通事故为基础,选取“事故数量”和“死亡人数”2项总量指标,描述统计高速公路交通事故在时间维度上的月分布规律。通过自回归差分移动平均(ARIMA)模型捕捉时间序列数据中的线性时序特征,使用长短时记忆神经网络(LSTM)模型拟合预测残差序列中的非线性时序特征,建立了基于ARIMA和LSTM的高速公路交通事故组合预测模型,并以均方根误差(RMSE)、平均绝对百分比误差(MAPE)值作为模型的评估指标。结果表明:ARIMA-LSTM组合预测模型各项指标的预测精度均优于单一的ARIMA模型,其中“死亡人数”组合模型改善效果显著,其RMSE与MAPE值相较于ARIMA模型分别改善了55.83%和54.80%;“事故数量”组合模型的RMSE和MAPE相较于ARIMA模型改善了23.15%、23.29%。

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先,使用差分整合移动平均自回归(autoregressive integrated moving average, ARIMA)模型对中国铁路货运量进行初步预测;其次,利用长短时间记忆(long short-term memory, LSTM)神经网络对残差进行校正,并将其与极端梯度提升(extreme gradient boosting, XGBoost)模型结合,采用误差倒数法确定权重,构建一种加权组合模型;最后,将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(mean square error, MSE)、均方根误差(root mean squared error, RMSE)、平均绝对值误差(mean absolute error, MAE)、平均绝对百分比误差(mean absolute percentage error, MAPE)对上述模型的预测精度进行对比分析。使用2007—2021年全国铁路货运量月度数据进行实验,实验结果表明:组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。

基于奇异谱分解和LSTM-ARIMA组合模型的生猪价格预测

针对生猪价格波动过于剧烈难以预测的问题,提出基于奇异谱分解的LSTM-ARIMA组合模型对生猪价格进行预测。以2000年1月-2021年12月的月度价格数据作为样本,利用奇异谱分析对生猪价格数据进行分解,得到趋势项和波动项,选用累计贡献率达前70%的构建趋势项,剩下的30%构造波动项。趋势项非平稳且具有长记忆性,对其建立LSTM模型;波动项平稳,对其建立ARIMA模型,最后将两部分预测结果重组作为生猪价格的预测值,构建LSTM-ARIMA组合预测模型。将预测值和生猪真实价格进行对比,结果表明:预测值与真实值之间的均方根误差RMSE为2.75,平均绝对百分比误差MAPE为10.81%,平均绝对误差MAE为2.27,方向对称性DS为81.81;此组合模型能很好地预测生猪价格走势,对我国生猪价格预测具有更高地适用性与参考。

基于ARIMA和GM模型的沥青路面使用性能预测

根据高速公路沥青路面使用性能的衰变规律可以确定养护维修道路的最佳时机。文章结合某高速公路沥青路面的技术状况(PQI),建立考虑时间趋势项的ARIMA模型和GM(1,1)模型,根据信息准则选取最优ARIMA预测模型,通过相对误差对两种模型进行权重优化,获得ARIMA-GM(1,1)组合模型。研究表明,3种路面使用性能预测模型都有良好的预测效果,其中GM(1,1)模型预测的相对误差在0.07%~1.18%之间;考虑时间趋势项的ARIMA模型的相对误差在0.07%~0.75%之间;组合模型的相对误差在0.07%~1.01%之间。在2010—2014年PQI数据预测中,ARIMA模型、GM(1,1)模型和组合模型的平均相对误差分别为0.266%、0.252%、0.246%,组合预测模型表现出了一定的优势,其预测结果可为养护计划决策提供一定的科学依据。

基于ARIMA-GM组合模型的农作物播种面积预测——以吉林省为例

农作物种植面积预测能够有效帮助生产者提前掌握未来农业的生产状况。为准确预测农作物播种面积变化情况,寻求一种新型的组合模型权重计算方法。以吉林省历年作物播种面积为原始数据,建立GM(1,1)与ARIMA时间序列组合预测模型。综合使用平均绝对百分数误差、残差平方和最小法及最小二乘法确定组合模型的权系数,在此基础上将三种权系数组合优化后得到最终权重,两种模型权重分别为0.44976和0.55024。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.4%。

预测动车组牵引系统故障率的TSOBP-ARIMA-Prophet组合模型

针对单一模型预测故障率时的适用性差异问题,在考虑动车组牵引系统故障率数据特点的基础上,提出TSOBP-ARIMA-Prophet组合模型。首先,针对动车组牵引系统故障率的复杂非线性,引入金枪鱼群算法(TSO)优化BP模型,训练出TSOBP预测模型;其次,针对故障率的非平稳波动性,选取ARIMA预测模型;然后,针对故障率的季节周期性,选取Prophet预测模型;最后,运用方差倒数法对3个模型的预测结果赋权,得到TSOBP-ARIMA-Prophet组合模型的预测结果。以某动车组牵引系统为例,采用该组合模型预测故障率,并与3个单一模型及TSOBP-ARIMA组合模型对比验证其预测能力。结果表明:该组合模型预测时均方误差为0.0752,较TSOBP,ARIMA和Prophet模型单独预测时分别降低了45.83%,61.65%和53.42%,预测精度显著提高,且较TSOBP-ARIMA组合模型对数据趋势的感知力更优,可有效提升对动车组牵引系统故障率的预测能力。

基于组合赋权优化的ES-ARIMA-BP神经网络交通事故预测研究

为提高交通事故模型的预测精度,更好地辨识交通事故在时间维度上的规律特性,基于CRITIC法和熵权法组合赋权,构建一种ES-ARIMA-BP神经网络组合预测模型,探究新疆地区交通事故在时间维度上的月度分布规律。首先,使用指数平滑法(ES)进行预测,可减少数据间的噪声,并能捕捉时间序列数据中的季节性变动;其次,使用ARIMA模型进行预测,可捕捉数据中的线性部分、非季节性趋势和周期性波动;最后,为更好地应对数据中的复杂非线性及无周期性波动,引入BP神经网络进行预测。结果表明:构建基于组合赋权优化的ES-ARIMA-BP神经网络组合预测模型,平均绝对误差百分比(MAPE)仅为1.869%,决定系数(R^(2))高达0.982,较单一模型及单一赋权法下的组合模型预测误差率更低,拟合程度更好。组合预测模型以数据最大优化为思想基础,可有效克服单一模型的局限,同时采用组合赋权,使其能更好地适应不断变化的数据和环境,从而提高预测的准确度。

基于ARIMA-BP组合模型的管道耗电量预测技术研究

为实现管道耗电量的精准预测,对输油管道的节能评价和能效对标提供技术支撑,在收集管道日耗电量相关特征的基础上,先采用ARIMA模型实现了对耗电量线性部分的预测,随后建立了多输入单输出的单隐含层BP网络模型,用于预测耗电量的非线性部分,将两者有机结合,提高了小样本环境下耗电量的中长期预测效果。结果表明:不同管道筛选出的主控特征略有不同,日输量与耗电量的相关性最强;ARIMA-BP组合模型耗电量的预测效果最佳,1^(#)管道的平均相对误差为0.76%,2^(#)管道的平均相对误差为1.42%;1^(#)管道的预测结果与实际结果相符,说明运行状态良好;2^(#)管道耗电量的实际值大于预测值,说明运行工况存在劣化现象。通过叶轮切削改造、局部更换泵部件、更换淘汰电动机等多项整改措施,提高了2^(#)管道的能效水平,预计日节电904~3618 kWh。

基于ARIMA及LSTM模型的股票分析

对金融时间序列数据的研究一直广受关注,特别是股票的价格研究。文章以上证指数的开盘价为研究对象,运用ARIMA模型、ARIMA-LSTM模型以及ARIMA和ARIMA-LSTM组合模型对股票开盘价进行10天、50天、116天预测,计算每个模型的拟合优度R2,平均绝对误差MAE和均方根误差RMSE。通过比较三个模型的三个统计指标,最后得到在10天预测值时,ARIMA模型预测较好,当预测时间加长时ARIMA-LSTM模型以及ARIMA和ARIMA-LSTM组合模型表现比ARIMA模型好。

Prophet-X-12-ARIMA组合模型及交通运输量预测

由于受到经济社会因素的影响,交通运输量数据具有趋势多变及季节性明显的复杂特征。现有的预测模型,如X-12-ARIMA模型、ARIMA模型和Prophet模型等的预测准确性有待改进。文章构建Prophet-X-12-ARIMA组合模型,综合了Prophet模型灵活拟合趋势成分的优势以及X-12-ARIMA模型能准确分解出季节成分的优点。采用该模型预测某城市的七种交通运输量序列,结果显示Prophet-X-12-ARIMA组合模型的半年度和年度预测效果明显优于Prophet模型、X-12-ARIMA模型及ARIMA模型。进一步研究发现,当原始序列趋势变化剧烈时,Prophet-X-12-ARIMA组合模型的预测效果更优。

基于残差修正的ARIMA-BP组合模型在中国戊型肝炎发病预测中的应用

目的:探讨基于残差修正的ARIMA-BP组合模型在中国戊型肝炎传染病流行趋势预测中的作用。方法:对2004-2017年中国戊型肝炎统计数据采用SPSS软件分别建立ARIMA和ARIMA-BP模型,将2018年1-12月戊肝数据作为对比值,对模型的预测效果进行对比分析。结果:2种模型的预测结果评价指标中,ARIMA-BP组合模型的E、ER、MAE、MSE、MAPE指标整体上均小于ARIMA模型。结论:ARIMA-BP组合模型的预测效果优于ARIMA模型,可用于我国戊型肝炎发病趋势的早期预测。

基于Elman神经网络修正的ARIMA预测模型

为实现船舶设备的预测性维护,提高轮机人员工作效率,提出一种由Elman神经网络修正的自回归综合移动平均(autoregressive integrated moving average,ARIMA)模型用于设备运行数据预测。对输入数据进行平稳化处理,建立相应的ARIMA模型;引入Elman神经网络对ARIMA模型的预测残差进行分析并建立Elman残差预测模型;将ARIMA模型的预测值与Elman残差预测模型的预测值相加,得到最终预测值。采用“育鲲”号船某航次中冷器的海水出口温度数据进行模型的训练和验证,将Elman-ARIMA组合模型与单一模型预测结果的平均绝对百分比误差进行对比分析,结果表明,Elman-ARIMA组合模型具有较好的预测性能。

基于ARIMA-LSTM的管道应力预测预警技术研究

对高后果区的管道实施应力监测是保证其安全运行的重要措施。针对目前应力预测模型精度低的问题,采用自回归滑动平均(ARIMA)模型与长短时记忆(LSTM)模型对管道等效应力的发展趋势进行预测,并采用自适应人工鱼群算法(IAFSA)对LSTM模型的关键参数进行求解。结果表明,ARIMA模型对非线性时间序列的适应性不好;等效应力与轴向应变、周向应变、测试点温度、压力等因素有关,LSTM模型的预测结果中存在部分离群点,且出现了放弃和平移现象;组合模型的均方根误差最小,决定系数最大,说明组合模型可用于长期应力监测数据的趋势分析。研究结果可为管道完整性管理和评价提供技术支撑。

基于ARIMA-GM(1,1)组合模型的河南省卫生总费用及其构成预测分析

[目的]对河南省2021-2027年卫生总费用及其构成进行预测,为河南省相关部门制定与改进卫生决策提供参考。[方法]利用2012-2020年河南省卫生总费用及其构成的相关资料,以ARIMA模型、GM(1,1)模型为基础,建立组合模型,对河南省2021-2027年卫生总费用及其构成进行预测。[结果]组合模型拟合效果较好,为最优模型。模型显示2021-2027年,河南省卫生总费用从4360.7亿元升至7305.8亿元,政府卫生支出占比从29.13%升至31.23%,社会、个人卫生支出占比分别从41.35%、29.52%降至40.2%、28.56%。[结论]河南省卫生总费用呈逐年增长态势。经预测,2021-2027年河南省卫生总费用将持续稳步增长。河南省仍需高度重视医疗卫生事业发展,控制卫生费用增长速度。

基于ARIMA-LSTM的货运量组合预测方法研究

针对仅考虑单一线性或非线性的货运量预测方法的不足,基于ARIMA和LSTM循环神经网络预测模型,提出ARIMA-LSTM 4种组合预测模型,实现综合考虑线性与非线性特征的货运量预测。研究结果表明:任意一种ARIMA-LSTM的组合模型的货运量预测精度均优于单一模型的,由误差倒数确定权重系数的并联组合模型预测精度最优,该模型相比于ARIMA,均方根误差降低40.66%,平均绝对误差降低29.76%,平均绝对百分比误差降低51.45%;相比于LSTM,均方根误差降低13.67%,平均绝对误差降低10.75%,平均绝对百分比误差降低36.32%,该研究可为货运量预测提供有效依据。

融合ARIMA-LSTM模型的大连市空气质量预测

由于空气质量指数(AQI)时间序列的线性与非线性特征,传统的ARIMA模型对时间序列的建模普遍呈现出一定的局限性,该方法存在着参数选取困难、计算量大等问题,导致模型拟合效果不佳。针对这一情况,本文提出了一种基于ARIMA-LSTM融合模型的空气质量预测方法,将ARIMA模型用于时间序列预测,利用LSTM模型对ARIMA模型预测的误差序列进行校正,最后将ARIMA模型预测结果与LSTM校正的残差序列进行结合,获得最终预测结果。实验结果表明,混合模型预测精度高于单一模型,且融合模型的稳定性和精确度得到进一步改善。

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题,以宁夏盐环定扬黄工程为研究对象,引入时间序列分析法,提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法,即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本,由ARIMA建模对处理后的数据进行线性拟合,通过SVM模型对残差进行预测处理,补偿机组运行中的非线性变化,综合二者预测结果得到组合模型预测值。结果表明,最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.9992、0.9984,均方根误差分别为1.67×10-5、3.9×10-8,平均绝对百分比误差分别为0.0361%、0.0747%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好,可为泵站机组运行状态监测系统优化升级提供理论基础。

利用ARIMA-SSA-LSTM组合模型的碳排放交易价格预测

单一的预测方法在不同方面各有优劣,为了提高碳排放交易价格预测的精确度,从智能算法出发提出ARIMA-SSA-LSTM组合碳排放交易价格预测模型。该模型通过结合非线性规划局部搜索的优势和遗传算法全局搜索的优势使用非线性规划遗传算法分配差分整合移动平均自回归(ARIMA)模型和麻雀搜索算法优化后的长短时记忆(LSTM)模型(SSA-LSTM)的权重,通过加权得到最终的碳排放交易价格预测结果。运用ARIMA-SSA-LSTM组合模型,ARIMA模型,LSTM模型和SSA-LSTM模型分别对湖北省与广东省碳排放交易价格进行短期和长期预测。实证结果表明,相比单一的ARIMA模型、LSTM模型、SSA-LSTM模型,ARIMA-SSA-LSTM组合模型三个预测精度评价指标均为最小,碳排放交易价格预测精度最优。相比于传统ARIMA模型,机器学习LSTM模型具有更精确的预测结果,并且趋势预测更优。引入智能算法后,权重分配结果更加准确,LSTM模型的预测性能得到提升,印证了智能算法在碳排放交易价格预测领域的有效性。

基于ARIMA-GRU模型的地面沉降预测方法研究

由于社会经济的快速发展和城市规模的迅速扩大,地面沉降已成为我国许多城市面临的一个突出问题,有效的地面沉降预测可以更好地协调城市发展。以北京市通州区为研究区域,结合一种组合模型ARIMA-GRU进行地面沉降预测方法研究。把2005—2015年的年度水准点高程数据作为基准值,运用方差倒数法确定组合模型最优解的权重比例,并采用线性模型和非线性模型的组合方法预测2016—2019年的水准点高程。运用2个单独模型和ARIMA-GRU组合模型进行未来数据趋势变化的预测,并对MSE、RMSE、MAPE模型指标值进行量化分析,和单一ARIMA和GRU模型相比,MSE分别降低了76.84和9.5,RMSE分别降低了3.58和0.52,MAPE分别降低了0.13和0.01。组合模型预测结果的MSE、RMSE、MAPE,预测效果更好。建模实验结果表明,该方法能预测地面沉降变化并实现有效预测,验证了模型的可行性。

基于GM(1,1)-ARIMA组合模型的宁波港口物流需求预测分析

港口在我国物流业发展中起着重要的作用,也对社会经济的发展有着促进作用。港口物流业有着很大的潜力和发展空间,对港口物流的需求进行预测是港口物流发展优化过程中重要的一部分。文中将两种单项预测模型,即灰色关联预测与ARIMA模型预测进行组合,形成组合预测模型,从而对港口物流进行预测。预测结果表明,研究的预测结果对宁波港口物流的发展有一定的参考作用,为港口物流需求预测提供了一定的方法和手段。