基于ARIMA与ANN组合模型的卫星钟差预报方法

针对导航卫星短期钟差预报精度不高和稳定度差的问题,提出基于ARIMA与ANN组合模型的卫星钟差预报方法,结合ARIMA模型和ANN模型的优点,将两者进行变权组合。为提高预报精度,神经网络采用附加动量项修改神经权值,变权组合采用序列相对贴近度法修改不同模型的权值。选取IGS产品中四颗典型卫星的钟差数据,分别采用ARIMA模型、ANN模型和变权组合模型进行短期钟差预测,计算结果表明变权组合模型的预报精度优于其他两种模型,尤其是在铷钟方面,预报误差减小了50%。

基于ARIMA模型和ARIMA-SVM组合模型的流行性感冒的发病预测研究

目的探讨ARIMA-SVM组合模型在流感发病预测中的应用,并与单纯ARIMA模型的预测效果比较。方法利用2017—2022年北京市流感发病数据拟合建立ARIMA模型和ARIMA-SVM组合模型,对2023年流感发病进行预测,并与实际流感数据进行验证比较,评价模型的预测效果。结果北京市2017年1月—2023年12月共报告流感病例报告数1250797例,月均发病14890例。构建最佳的ARIMA模型的为ARIMA(6,0,6)(0,1,2)365,模型预测相对误差范围在0.01%~165.62%之间,RMSE=570.07,MAPE=157.36%。ARIMA-SVM模型预测相对误差在0.00%~18.87%之间,RMSE=0.26,MAPE=1.90%。组合模型预测结果较单一ARIMA模型精度高。结论ARIMA与SVM联合模型对流感发病的拟合精度优于单一ARIMA模型,可用于流感发病的短期预测,组合模型不仅考虑了传染病发病数据的周期性特点,又克服了小样本、非线性的缺点,亦可推广到其他的传染病的发病预测,为传染病的预测、疾病控制以及资源的配置利用提供政策支持。

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法。该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型。利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证。结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法。

基于配对检验的ARIMA模型在我国甲肝发病数预测中的应用

目的:探讨基于配对检验的求和自回归移动平均(autoregressive integrated moving average,ARIMA)模型在我国甲肝发病预测中的应用,提出时间序列模型预测效果评价的新思路与方法。方法:根据2004年1月—2021年12月我国甲肝传染病月发病数建立ARIMA模型,对2022年1—8月的甲肝月发病数进行预测,通过配对t检验和误差分析评估该模型的预测效果。结果:配对t检验结果显示,ARIMA(1,1,0)(0,1,1)12模型预测的甲肝月发病数与实际月发病数差异无统计学意义(P>0.05),说明模型有较好的预测能力,预测结果的相对误差平均值为3.86%,标准差为3.25%。结论:ARIMA乘积季节模型能够较准确地预测我国甲肝的发病趋势;配对检验为时间序列模型预测效果的评价提供了客观评价依据,较好地解决了时间序列模型预测效果的评价问题。

基于ARIMA-ANN的时间序列组合预测模型

目前,时间序列预测主要采用基于传统研究方法或人工神经网络技术的单一预测方法.近年来的研究表明,组合预测方法比单一预测具有更高的预测精度.提出了一种基于BP神经网络和ARIMA组合模型的预测新方法,对中国GDP的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在非平稳时序的预测中的应用是可行、有效的.

2017—2022年浙江省其他感染性腹泻病ARIMA模型预测精度分析

目的 比较分析2017—2022年浙江省其他感染性腹泻病自回归移动平均(autoregressive integrated moving average, ARIMA)模型预测精度,探索更为精准的预测模型以指导传染病防控。方法 收集2011年4月—2022年12月的浙江省其他感染性腹泻病发病率资料,将2011年4月—2021年的数据分为6个时间段,拟合优选出各数据段的最优ARIMA模型,分别对2017—2022年浙江省其他感染性腹泻病的发病率进行预测,以对应年度实际发病率验证模型,比较各数据段最优模型的年平均相对误差和月相对误差。结果 2011年4月—2022年12月,浙江省总计报告其他感染性腹泻病1 272 546例,年均发病率为186.97/10万。拟合的6个最优ARIMA模型对2017—2022年预测值与实际值的年平均相对误差分别为19.27%、28.59%、12.46%、77.87%、16.53%、40.21%,最小的月相对误差分别为0.69%、1.16%、0.57%、3.27%、0.45%、8.07%。结论 虽然ARIMA模型预测其他感染性腹泻病有时会存在较大误差,但短期预测仍可以为该病的早期精准防控提供参考依据。

基于季节ARIMA模型对某三级综合性医院门诊量的预测研究

目的 通过建立季节ARIMA模型,对浙江省某三级综合性医院门诊量进行预测,为医院合理配备门诊人力资源提供依据。方法 以2013年1—6月浙江省某医院门诊量数据为基线,利用SPSS软件构建季节ARIMA模型,对2023年7—12月的门诊量进行预测,通过对比门诊量实测值,评价季节ARIMA模型预测门诊人次的精度。结果 该综合性医院门诊量呈现逐年上升趋势,并呈现周期性波动的特征。拟合的最优季节ARIMA模型为ARIMA(0,1,1)(1,0,1)12,BIC(贝叶斯信息准则)为5.273,MAPE(平均绝对百分误差)为14.265,R2(模块决定系数)为0.408,总体相对误差为1.83%,预测结果良好。结论 季节ARIMA模型较好地模拟了该三级综合性医院门诊量在时间序列上的变化趋势,为该院门诊量的短期预测提供理论依据。

基于NAR-ARIMA组合模型的高速公路沥青路面破损状况预测

基于NAR神经网络模型和ARIMA传统时间序列预测模型,对高速公路沥青路面的破损状况进行预测,再分别通过最优加权法和残差优化法对两种预测模型进行组合,得到两种组合模型.对各单一模型和组合模型的精度和稳定性进行了比较分析.实例分析表明,组合模型相较于单一模型的精度和稳定性均有所提升,NAR-ARIMA最优加权组合模型预测效果最佳.该组合模型所需样本量较小,且基于时间序列.由于采用历史数据作为影响因素代替指标,该组合模型计算速度快、精度高,适用于日常的预测工作,为后续合理的道路养护决策提供了重要的理论依据.

基于ARIMA模型的校园能耗监测与分析系统的设计与实现

设计了一种基于ARIMA模型(自回归移动平均)的校园能耗监测与分析系统,该系统主要由数据采集、数据存储、预测分析以及数据展示等功能模块组成.研究结果表明,该系统不仅可提升校园能源管理的自动化和智能化水平,而且还可有效提高校园能耗的预测精确度,且优于其他的能耗管理系统;因此,该系统可为提高校园能源使用效率提供良好支持.

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于ARIMA模型的黄土高原河谷城市生态足迹动态模拟及测算——以甘肃省兰州市为例

为了从经济发展的角度探究生态足迹动态变化的成因,论文在测算黄土高原河谷城市——甘肃省兰州市2002—2014年人均生态足迹的发展轨迹的基础上,引入ARIMA模型,模拟预测了该市2015—2020年生态足迹变化趋势。研究结果显示:1)2002—2014年,甘肃省兰州市人均生态足迹总体呈现上升态势,数值由2.70 hm^(2)增长至4.25 hm^(2),增幅达到1.57倍;2)从生态足迹增速看,2002—2014年人均生态足迹平均增速达到4.04%,同一时期兰州市地区生产总值平均增速为11.88%,较人均生态足迹增速高出7.84%,表明该地区经济发展的速度高于资源环境消耗的速度;3)2015—2020年甘肃省兰州市人均生态足迹仍然呈现上升态势,预测值分别达到4.48 hm^(2)、4.61 hm^(2)、4.75 hm^(2)、4.89 hm^(2)、5.02 hm^(2)和5.17 hm^(2),甘肃省兰州市生态赤字逐年增大,总生态足迹是城市土地利用总面积的19.59倍,说明经济发展与地区生态需求呈现较强正相关性,环境库兹涅茨曲线“拐点”并未出现,处于不可持续发展状态。基于以上分析结果提出了甘肃省兰州市降低生态足迹的具体路径:1)实施产业结构调整,降低生态赤字,提升经济发展质量和可持续发展能力;2)推动绿色发展,构建生态类型多样、布局合理、功能完善的自然生态系统和城乡一体的生态网络,提高生态环境容量。

基于ARIMA模型的甘肃省碳排放预测分析

在“双碳”目标视域下,为了甘肃省如期实现“双碳”目标,给碳减排方案和措施的制定提供理论基础,基于2009—2022年年甘肃省碳排放数据,运用ARIMA模型对2023—2033年的甘肃省碳排放量、碳排放强度和人均碳排放量进行预测,通过数据学习训练,得出碳排放量预测的最佳模型为ARIMA(2,1,0),平均绝对百分比误差MAPE为0.016 2,碳排放强度预测的最佳模型为(0,1,0),平均绝对百分比误差MAPE为0.032 8,人均碳排放量的最佳预测模型为(1,1,0),平均绝对百分比误差MAPE为0.018 6,预测值均处于95%置信区间,预测的精度较高。研究结果表明:甘肃省未来的碳排放量和人均碳排放量均依然呈逐年上升趋势,碳排放强度逐年下降。根据预测的数据和趋势可知,甘肃省要想如期实现“双碳”目标,必须制定强有力的碳减排方案和措施,并以相关法律法规条文强制执行和落实。

ARIMA和ANN模型的干旱预测适用性研究

开展干旱预测是有效应对干旱风险的前提基础,根据1960—2016年三江平原7个站点逐日降水和气温数据,利用ARIMA和ANN模型对不同时间尺度标准化降水蒸散指数(SPEI)序列进行分析建模预测。借助相关系数R、纳什效率系数NSE、Kendall秩相关系数τ、均方误差MSE和Kolmogorov-Smirnov (K-S)检验对模型的有效性进行了判定,然后分别用ARIMA和ANN模型进行12步预测,并将预测值与实际值进行比较。结果表明:(1) ARIMA模型和ANN模型对SPEI的预测能力都随时间尺度的增加而逐渐提高。(2)两种模型对3、6个月尺度SPEI的预测精度偏低,9、12、24个月的SPEI的预测精度在70%以上;(3) SPEI-9、SPEI-12、SPEI-24三个时间尺度ANN模型的预测精度优于ARIMA模型。

改进GM(1,1)-ARIMA-LR模型天然气产量预测研究

为提高天然气产量在少样本情形下预测的准确性,基于对过去的预测误差进行学习的思想,加入自适应学习因子和组合学习因子以改进模型,构建包含GM(1,1)、ARIMA和LR的集成预测模型。该模型以平均误差百分比为评价指标,依据预测步长变化和过去预测误差对单个模型分别进行动态调整,再建立目标规划模型对各模型进行动态加权。实证结果表明,改进GM(1,1)-ARIMA-LR模型能够更好地提取时间序列的长短时依赖关系,与其它的主流模型相比,其预测精度更高。对近5年的天然气产量进行一步、五步与八步预测,GM(1,1)-ARIMA-LR集成模型预测误差分别为1.187%、3.129%、9.855%。本文运用该模型对2023-2030年中国天然气产量进行预测。

基于ARIMA模型和CNN-LSTM组合模型的全球气温预测分析

全球气温预测研究对于国家环境健康状况评价、环境问题分析和预防污染物浓度管理具有重大价值。为有效提升温度预报准确率,首次引入了ARIMA(自回归移动平均模型)模型进行温度预测,而后又给出了一个基于卷积层神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)相结合的温度预报模型。利用CNN卷积层和池化层为特征提取模块,从而获得了数据特征;将重构信息注入LSTM网络中挖掘气温的时序特征。结果表明,与单独使用LSTM、CNN进行预测及使用ARIMA模型预测相比,CNN-LSTM模型预测结果具有更高的准确率。

基于ARIMA模型预测镇江市肺结核流行趋势及分析

目的通过构建季节性差分整合移动平均自回归模型(ARIMA模型)预测江苏省镇江市肺结核流行趋势并验证模型的有效性,探讨新型冠状病毒感染疫情对肺结核流行情况的影响。方法收集江苏省镇江市2014-2022年肺结核月发病数资料,构建季节性ARIMA模型,以2022年1-12月肺结核发病数验证预测模型效果,并分析预测误差产生的原因。结果2014-2022年镇江市共报告肺结核病例11316例,除2017、2019年发病率有所回升外,总体发病率呈下降趋势,发病主要集中在3-8月。ARIMA(1,1,1)(1,1,0)_(12)的BIC值(5.913)最小,残差白噪声也通过检验。但短期自相关部分的AR系数不显著,因此建立ARIMA(0,1,1)(1,1,0)_(12)。2022年镇江市肺结核月发病数实际值与预测值存在一定的偏差(平均相对预测误差为19.20%),但均在拟合值的95%可信区间内,实际月发病数(平均78例/月)与预测值(平均78例/月)变化趋势基本一致,模型拟合度较好,可用于预测镇江市肺结核流行情况。结论利用该模型对短期内镇江市肺结核发病数进行预测,认为镇江市肺结核流行总体上仍将长期保持下行趋势。

基于ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型(ARIMA)和长短期记忆神经网络(LSTM)的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。

融合ARIMA模型和MCMC方法的非一致性设计洪水计算

常规非一致性频率分析方法在选择协变量、建立统计参数与协变量的函数关系方面均存在主观性,且仅获得设计洪水估计值,不能同时进行不确定性分析。为改进上述不足,建立了ARIMA-MCMC模型,在贝叶斯MCMC方法抽样过程中考虑统计参数拟合期内的时变性,进而对未来气候变化条件下的非一致性设计洪水频率分布模型参数进行抽样,基于参数后验分布进行设计洪水计算,并推求相应的置信区间。选取雅砻江流域小得石水文站作为分析对象,采用ARIMA-MCMC模型定量评估未来气候变化条件下小得石站设计洪水的变化情况。结果表明:基于ARIMA-MCMC方法的参数抽样收敛效果较好,3种情景下的模型统计量D均小于显著水平5%的临界值;除SSP2-4.5情景下P=0.1%和P=0.05%的设计值外,其他情况的设计最大日流量较历史期均明显增加,其中SSP1-2.6、SSP5-8.5情景下的增幅分别为7.1%~10.5%、13.9%~27.2%。本文建立的ARIMA-MCMC方法能够有效进行非一致性设计洪水频率分析。

ANN模型与分段线性插值及回归模型的比较及应用

对ANN模型、分段线性插值模型和非线性回归模型从原理上进行了比较,ANN模型易于构建各影响因素与因变量间复杂关系,非线性回归模型和分段线性插值模型可以将自变量与因变量间的关系通过表达式直观表达。以荆江三口分流量与枝城流量的关系为应用算例,采用相关系数、纳什效率系数、均方根误差和平均绝对误差等4个评价指标对3个模型的拟合精度和误差大小进行了比较。结果表明:3个模型均可应用于模拟枝城流量与荆江三口分流量的关系,但3个模型的计算值与实际值间的误差大小存在差异,从4个评价指标综合来看,ANN模型计算值与实测值的误差最小,分段线性插值模型次之,回归模型计算精度相对较低。

基于ARIMA与NNAR模型的甘肃省胰腺癌发病趋势预测

目的:分析2013-2021年甘肃省胰腺癌发病趋势,并对2022-2026年胰腺癌发病趋势进行预测。方法:收集2013-2021年甘肃省胰腺癌发病数据,通过计算年度变化百分比(annual percentage change,APC)和平均年度变化百分比(average annual percentage change,AAPC)分析其变化趋势;构建自回归移动平均(autoregressive integrated moving average,ARIMA)模型和神经网络自回归(neural network autoregression,NNAR)模型,比较两种模型预测精度并预测2022-2026年胰腺癌发病趋势。结果:选择精度更佳的ARIMA模型预测得到2022-2026年甘肃省胰腺癌发病率分别为5.58/10万、6.01/10万、6.44/10万、6.88/10万、7.31/10万。甘肃省胰腺癌发病率在2022-2026年仍保持上升趋势。结论:2022-2026年甘肃省胰腺癌发病率呈现上升趋势,ARIMA模型预测发病趋势具有良好的精度,可以为进一步疾病防控工作提供重要参考依据。