基于多尺度分解的LSTM-ARIMA锂电池寿命预测

锂电池剩余使用寿命(Remaining useful life,RUL)预测是锂电池研究的一个重要方向,通过对RUL的准确预测,可以更好地管理和维护电池,延长电池使用寿命。为了能够准确预测锂电池的RUL,提出了一种集合变分模态分解(Variational mode decomposition,VMD)、长短时记忆网络(Long short-term memory,LSTM)和自回归移动平均模型(Autoregressive integrated moving average,ARIMA)相结合的锂电池RUL预测模型。该模型首先采用VMD算法将NASA锂电池数据集中的容量数据分解为多个高频分量和低频分量,以此减少容量数据中的噪声干扰,然后针对各个分量的特点,分别利用LSTM和ARIMA对分解所得的高频分量和低频分量建立预测子模型,最后将各个子模型的预测值进行叠加重构得到锂电池的RUL结果。实验结果表明VMD-LSTM-ARIMA预测模型相比于其他预测模型,该模型具有较好的锂电池RUL预测能力。并在CALCE锂电池数据集上进行了泛化性实验,结果表明该模型适用于不同电池RUL预测任务。

基于Holt-ARIMA-Lagrange Multiplier的CWC信息熵时序研究

降水云系的发展过程及其特征分析,是云降水物理学中的一个重要问题.本文选取一次云发展过程中的700 hPa云水含量(Cloud Water Content, CWC)和大气垂直方向上气流速度(Omega, OMG)的1 h值,以信息熵来度量CWC空间分布的混沌程度,辅以OMG的时间变化来判断云的发展,并提出了一种基于多尺度分解、Holt模型、自回归滑动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)和Lagrange Multiplier的组合预测方法.结果表明:1)CWC熵具有非线性和非平稳性;2)在云的不同发展阶段,北方CWC熵序列的均值都小于南方,方差普遍大于南方;3)OMG区域均值与CWC熵的小波低频重构的极值点在时间上有很好的对应关系,相近的极值点在南方中占50%,在北方中占83.3%,表明CWC熵可以在一定程度上反映云系的发展;4)CWC熵序列往往具有多种时间尺度特征,故进行多尺度分解之后再组合建模的Holt-ARIMA-Lagrange Multiplier模型比单一预测方法、单层分解的预测模型更优,准确率提高3%以上.

ARIMA模型在马尾松毛虫发生面积预测中的应用

[目的]为了研究ARIMA模型在马尾松毛虫发生面积预测中的应用。[方法]利用时间序列对郁南市1975-2002年马尾松毛虫发生面积数据进行了分析。经过数据平稳化、模型识别及参数估计确立了ARIMA（2,2,2）模型,对郁南市1975-2002年的马尾松毛虫发生面积作了回测。[结果]ARIMA（2,2,2）模型预测值的动态趋势与实际情况基本一致,特别是1990年以后的预测效果更佳,实际值都落入了预测值的可信区间范围,结果比较理想。[结论]ARIMA模型假定未来的发展模式与过去的模式是一致的,更适用于作短期的预测。

不同改进的ARIMA模型在水文时间序列预测中的应用

为了拓展ARIMA模型在非线性水文时间序列预测中的应用,对其进行了三种不同形式的改进。为了尽可能地保留数据序列的原始信息,分别将ARIMA模型与Daubechies小波分析、经验模态分解法相结合,建立了WAARIMA和EMD-ARIMA预测模型;由于ARIMA模型对非线性项预测较差,而BP神经网络具有高度的非线性映射能力,将二者进行有效结合,建立了一种BP-ANN-ARIMA预测模型。在南宁市年降水量的预测中表明,改进后的模型较原始模型预测能力有了不同程度的提高,各模型预测的相对误差分别为11.2%、10.1%、6.8%、5.1%。

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。

基于经验模态分解和ARIMA模型的地区售电量预测

售电量是电力公司的重要经济指标,准确的售电量预测对于电力企业进行合理的购电计划、提高运行可靠性都具有一定意义。鉴于售电量预测的重要性,而地区的售电量数据波动较大,为了提高售电量预测精度,提出了基于经验模态分解和ARIMA模型的地区售电量预测,通过对售电量序列进行经验模态分解,将各分量分别进行ARIMA模型预测,最后将结果相加得到最后预测结果。研究表明,经分解后使用的ARIMA模型的预测精度大于使用单一模型的预测精度,对不平稳序列有较好的预测效果,具有一定的实用性。

中国外汇储备时间序列分析建模与预测——基于ARIMA模型

基于时间序列分析方法对中国2000～2010年月度外汇储备余额数据序列进行建模,通过验证序列的趋势特征,并从中选择最佳拟合模型,预测中国2011年上半年外汇储备规模增长情况。实证分析结果表明,所选模型能较为精确的预测中国外汇储备规模,与实际偏差在0.3%以内,在外汇储备管理研究中将有较大应用价值。

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。

基于MEEMD-ARIMA模型的波浪能发电系统输出功率预测

波浪能作为一种储量丰富的清洁能源,是未来理想的能源之一。但其具有较强的随机波动特性,因此,可靠地预测波浪能发电系统的输出功率能给复杂电网的调度带来极大的便利。文中提出基于改进的总体经验模态分解(MEEMD)-差分整合移动平均自回归(ARIMA)模型的波浪能组合预测。首先,基于海浪计算原理,计算混合浪的每小时平均波高与周期。其次,采用MEEMD对每小时平均波高与周期进行分解,得到一系列特征互异的本征模态函数(IMF)和余量,并将平均波高分解的结果与离散小波变换分解结果做对比。然后,将得到的分量分别建立ARIMA预测模型,通过叠加得到每小时平均波高与周期的预测值。最后,建立直驱式波浪能发电系统波高-功率转换模型,实例结果验证了该组合模型预测的有效性。

基于EEMD-ARIMA模型的地区月负荷量预测

负荷预测是电网规划运行安排的基础,预测的准确性关系到电网安全、可靠和经济运行。为了解决原始数据不平稳造成预测精度低下的问题,本文提出了基于集合经验模态分解(EEMD)的自回归积分滑动平均(ARIMA)预测模型,对某地区的月负荷量做加噪处理后进行经验模态分解,使其分量平稳化,再对各分量进行ARIMA模型预测,最后将各预测结果相加得到最终预测值。算例表明,基于EEMD-ARIMA模型的地区月负荷量预测精度高于传统ARIMA模型。

小波-EMD分解改进电离层总电子短期预报ARIMA模型

针对电离层总电子含量的非线性、非平稳性特征,将小波分解与EMD方法相结合改进了自回归积分滑动平均模型(ARIMA),对电离层TEC数据进行短期预报。实验采用IGS提供的GIM数据,利用前25天的TEC值作为样本序列进行后5天预报,详细分析不同经纬度地区预报结果的相对精度和均方根误差来评定模型的预报精度,得到基于小波-EMD分解改进的ARIMA模型预报精度较小波分解改进的ARIMA、ARIMA模型有明显提高。对比ARIMA模型与改进模型对中国及周边地区上空各格网点预报值的均方根误差,结果表明,改进模型能有效削弱该区域预报值误差峰值,提高预报精度。

基于ARIMA模型的我国大蒜价格预测

为减轻大蒜价格不规则波动对大蒜种植业以及相关加工企业等造成的不利影响,利用2004年1月—2021年9月我国大蒜批发市场价格数据,运用ARIMA模型对我国大蒜市场价格作出预测。结果表明:2021年10月—2022年12月我国大蒜市场整体价格比较平稳,维持在7.38元/kg左右,不会出现剧烈波动的情况,且平均价格较往年有下降趋势。建议重视科技力量在大蒜产业中的作用,延长大蒜产业链,稳定大蒜价格,以促进我国大蒜产业的发展。

基于ARIMA模型的福州市2019—2023年居民住房支付能力预测

根据2004—2018年福州市居民家庭可支配收入、房价、利率和标准住房面积等数据,应用PIR、MTI和HAI这三种评价指标测算福州市居民住房支付能力。进一步利用ARIMA模型,预测2019—2023年福州市居民住房支付能力的变化趋势。研究结果表明,福州市居民住房支付能力在2017年猛降后出现平稳回升的趋势,预计在2019—2023年间呈上升趋势,但仍处在住房支付能力不足的状态,居民人均住房支出占家庭可支配收入的比重超过50%。要提高居民住房支付能力,一方面要稳定房地产市场和平稳房价;另一方面还要发展区域经济提高居民家庭可支配收入,优化投资环境,丰富投资渠道,满足民众投资需求。

基于EMD-GAELM-ARIMA算法的大坝变形预测

针对统计学模型难以很好地对非线性、非平稳的大坝变形做出预测的情况,引入人工智能算法,融合经验模态分解法(EMD)、遗传算法(GA)优化的极限学习机(ELM)和ARIMA误差修正模型,构建大坝变形预测模型。首先利用EMD进行监测数据的分解和重构,使其平稳化并得到有物理意义的本征模函数和残差序列;再用GAELM对分解结果进行分析预测;最后用ARIMA模型对预测结果的残差进行误差修正。以一混凝土堆石坝为例,利用优化算法构建的大坝变形预测模型对其进行分析预测,分析结果表明,相较于传统单一算法,EMD-GAELM-ARIMA模型算法预测精度更高,在大坝变形预测中具有可行性。

基于ARIMA和BP神经网络的生态系统服务价值预测仿真

针对现有生态系统服务价值预测体系误差大、研究不足等问题,本文构建了面向未来生态服务价值的预测机制。该机制采用主成分分析法和Person相关系数法,建立了以GDP、人口、土地利用率、土地管理政策和城市人口密度为驱动力的生态系统服务价值关联矩阵,提出了基于ARIMA和BP神经网络的生态系统服务价值的时间序列预测机制。为验证预测机制有效性,本文选取中国主要土地利用类型代表省份的真实土地数据集进行分析,研究结果表明本文建立的预测模型平均绝对误差仅为0.023,且从预测结果来看,未来草地生态会向较好趋势发展,林地生态发展不容乐观。

基于EMD-ARIMA组合模型的长江航运干散货运价指数预测

针对长江航运干散货运价指数(YBFI)样本点少、周期性不明显、非线性,以及非平稳特性,从分析数据内在波动性出发,提出一种基于经验模态分解(EMD)-差分整合移动平均自回归(ARIMA)组合模型.对比传统ARIMA模型、简单季节预测两种方法,EMD可对YBFI序列进行降噪分解,保留数据的内在特性;分解后的序列用ARIMA模型、三角函数拟合,效果良好.重组后分析误差,发现该组合预测模型与传统单一模型相比误差较小,预测精度更高.

基于X-11-ARIMA模型在GNSS定位数据后处理的应用

定位数据分析及后处理是卫星导航定位系统在测绘和地灾监测应用中的关键环节.通常,在卡尔曼滤波处理定位数据后得到的平滑数据,能够剔除噪声干扰得到贴近真值的数据.但在长时间跨度的情况下,周期性发生的干扰难以在短时间内被识别和滤除,从而反映为一种频率较低的噪声波动.假设该波动干扰存在周期性,以X-11分解时间序列分析方法进行数据处理,平滑后定位数据的方差从4.733减小至2.683,精度提高了43.3%.并对拆分数据进行差分自回归移动平均模型(ARIMA)建模预测.还原数据对比直接预测数据的分析结果表明:拆分后分别预测再整合还原精度高于直接预测5%~10%,可以应对平滑处理实时性差的问题.

基于改进EMD-ARIMA的光伏发电系统短期功率预测

光伏发电功率的准确预测对于提高电网和微电网的供电质量和降低运行成本具有重要意义。针对光伏发电时间序列的非线性和非平稳特征,在传统基于经验模态分解(EMD)方法的基础上,加入白噪声检验环节,提出一种基于改进EMD和差分自回归移动平均(ARIMA)相结合的光伏发电系统短期功率预测方法。首先利用EMD将原始光伏发电系统功率序列分解为多个具有不同频率的固有模态函数(IMF)分量,并对各IMF分量进行白噪声检验,筛选出不含白噪声的IMF分量;然后,对分量进行平稳性检验,对非平稳分量进行平稳化处理;最后对平稳的分量序列分别建立ARIMA预测模型,将各分量预测值进行叠加得到最终预测值。为验证方法的有效性,利用实证系统对3种天气条件下共15天的光伏发电功率进行了预测,并与传统的ARIMA、EMD-AR和EMD-ARIMA等方法进行了对比。误差统计结果表明,在相同样本数据量的前提下,该方法预测误差普遍低于其它方法。

基于数据分解及因果推理的设备可靠性预测模型

为解决设备的可靠性数据受多种因素影响而同时具有线性特征和非线性特征的问题,提出1种集合经验模态分解法辅助的设备可靠性预测组合模型,该模型结合差分整合移动平均自回归模型和因果推理模型。首先,对原始数据采用集合经验模态分解法,得到固有模态函数分量和余项;其次,将模态函数分量输入差分整合移动平均自回归模型得到线性分量,进而将线性分量和原始数据作差,得到非线性分量;最后,基于该非线性分量,提出因果分析模型,实现对设备可靠性的有效预测。研究结果表明:与流行的可靠性预测模型相比,组合模型分别在平均绝对误差和均方根误差指标上降低0.015 9和0.026 5,进一步证明本文所提方法的正确性和有效性。研究结果可为工业生产中提升设备可靠性预测提供新思路。