基于ARIMA-LSTM组合模型的工业生产车间粉尘浓度预测

在工业生产环境中,精确预测车间内的粉尘浓度对于确保工作场所的安全和产品质量至关重要,而该环境下单一的预测模型往往难以捕捉所有关键的数据特征。为了提高预测精度,该研究通过ARIMA模型提取数据的线性特征,使用LSTM模型拟合预测残差中的非线性特征,构建基于ARIMA-LSTM的组合预测模型。该模型采用均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评估指标。基于某厂生产车间的粉尘浓度时间序列数据进行实验评估,结果表明该模型的MSE、MAE和MAPE分别为0.74、0.66和3.29%,预测精度均优于单一的ARIMA模型,验证了模型的有效性和可靠性。

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。

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-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。

基于新陈代谢GM-ARIMA组合模型的广东省人口老龄化预测研究

本文基于2000~2022年广东省人口结构数据,利用组合权重系数法构建新陈代谢GM(1, 1)-ARIMA模型对其未来人口结构变化情况进行预测研究。为了弥补ARIMA模型样本需求量高,拟合更多反映线性趋势的劣势,克服传统灰色预测在中长期预测的不可操作性和指数爆炸增长导致的预测偏离问题,首先利用最小二乘、MAPE和组合权重系数法构建基于新陈代谢GM(1, 1)-ARIMA的组合预测模型,接着引入TIC,MAPE和RMSE三个评价指标评估不同组合模型的精度,最终选取利用组合权重系数法构建的组合模型进行拟合预测。预测结果表明:该组合模型比单项模型预测精度提高0.32%,具有参考价值。同时表明广东人口年龄结构较为年轻,但进入初始少子化社会,未来将不可避免地以大规模、高速度进入深度老龄化和超老龄化社会,需引起高度重视。

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。

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。

基于趋势分解和IOWA算子的组合预测模型

不同的数据有着自身的不同特性,对于时序数据而言,数据往往有着与时间相关的趋势,通过分解这种趋势,并对趋势和趋势以外的部分分别进行预测再组合,可以得到更好的预测结果 .选用2013年1月4日—8月11日的人民币对美元的汇率数据进行实证检验,分别采用灰色预测模型、ARIMA模型、LSTM模型以及它们的组合模型对数据进行预测,实证分析结果表明,基于趋势分解和IOWA算子的组合预测模型相较单项预测而言有着更良好的预测精度.

基于ARIMA-Intervention-LSTM的组合预测模型

针对某时刻存在异常的序列数据,首先建立添加异常值或干预效应的ARIMA (Autoregressive Integrated Moving Average)模型,之后应用LSTM (Long-Short Term Memory)模型对ARIMA模型残差序列进行深度学习。通过对波动较为明显的股票收盘价格日度数据和受“新冠”疫情影响的公路货运量序列数据进行实证分析,证实该模型在对某时刻发生不同程度突变的试验数据进行预测时,能够明显提高预测精度。

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。

基于深度学习模型及组合模型的沙漠面积预测研究

沙漠化是全球性的环境问题,影响着许多国家和地区。准确地预测沙漠面积对于制定有效的沙漠化防治策略至关重要。文中使用不同的模型对沙漠面积进行预测,试图找到一种预测准确度高且性能优良的模型。以新疆若羌县东部地区沙漠为研究对象,分别采用ARIMA、RNN、LSTM、GRU、ARIMA-RNN、ARIMA-LSTM、ARIMA-GRU模型对沙漠面积进行预测,使用均方误差、均方根误差和平均绝对误差评估模型的性能。实验发现:ARIMA模型预测准确度最低且模型性能最差,深度学习模型的预测准确度最高可达约96.74%;组合模型的预测准确度最低可达约93.08%,其中ARIMA-GRU组合模型的预测准确度最高约为97.46%。实验表明,深度学习模型在沙漠面积预测中预测准确度高且性能良好,组合模型能够提高沙漠面积预测的准确性和稳定性,能避免单一模型预测的局限性和风险性。

基于组合模型的居民消费水平预测

投资、出口、消费是发展经济的“三驾马车”。其中,消费是社会再生产过程中的重要环节,也是最终环节。因此,利用1992年至2021年我国居民消费水平,构建基于模型和二次曲线模型的组合模型,对我国居民消费水平进行预测。结果显示:组合模型的MAPE为2.88%;2022年至2030年我国居民消费水平近似呈直线式增长。

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-RNN混合模型的股价预测

提升时间序列模型的预测精度需要全面了解其数据的线性和非线性复合特征,利用ARIMA以及RNN模型分别对时间序列进行建模,挖掘其线性以及非线性规律,最后得到两种模型的综合预估结果.选取沪深300指数(000300)2006年1月4日~2021年11月26日中所有交易日的K线数据为样本,分析结果说明,ARIMA-RNN混合模型的精度比单一循环神经网络模型的预测精度要高,混合模型对于短期动态与静态预测成效较高,有利于投资者和企业做出更加科学可行的决策.

基于ARIMA和LS-SVM组合模型的短期风速预测

为了解决电力短期风速预测中存在的周期规律性误差序列问题,提出了一种改进的ARIMA-LS-SVM组合模型。首先分析了电力短期风速预测中的周期规律性误差序列问题,并确定了ARIMA模型作为基础模型。然后,引入最小二乘支持向量机(LSSVM)来修正ARIMA模型的预测误差。LS-SVM是一种非线性回归方法,通过将样本数据映射到高维特征空间,构建一个最优超平面来实现预测。通过对ARIMA模型的预测误差进行修正,可以更准确地预测电力短期风速。采用北京某地风速数据进行实验验证,结果表明,改进的ARIMA-LS-SVM组合模型在对北京某地风速进行预测时表现出了良好的预测精度和推广性。与传统的ARIMA模型相比,改进模型在各项评价指标上均取得了显著提高,验证了该方法的有效性和实用性。提出的改进模型克服了周期规律性误差序列对预测精度的影响,为电力负荷预测和风速预测等相关领域提供了一种有效的预测方法。

变权组合预测模型下的武汉港物流需求预测研究

武汉港作为我国中部地区最重要的交通枢纽之一,对我国港口物流发展具有极其重要的影响,而对武汉港的货物吞吐量进行物流需求预测是其物流发展规划的重要组成部分。文章以单项预测模型为基础,将ARIMA模型、二次指数平滑法以及灰色预测模型组合起来,建立了变权组合预测模型进行物流需求预测。经过分析比较后,发现变权组合预测模型的合理性和预测准确度比单项预测模型更好。同时观察到武汉港未来的货物吞吐量将会稳中向好增长,并对武汉港物流发展提出相应的建议。