基于ARIMA时间序列模型的中医体质预测分析

目的:采用时间序列分析方法针对二十四节气中医体质类型变化构建ARIMA预测模型,探索中医体质预测研究新方法。方法:收集整理川西地区人群2020-2021年二十四节气内1 574例中医体质辨识数据作为有效样本,构建ARIMA时间序列模型,得到中医体质预测值与记录值的对应关系。结果:ARIMA (1,2,1)模型的预测拟合图显示预测数据与真实记录数据较为接近,可以较好地描述中医体质的变化趋势,模型预测精度较高,拟合优度良好。结论:ARIMA时间序列模型能够预测中医体质,为中医体质智能化提供新的研究思路。

基于时间序列ARIMA模型的边坡强降雨稳定性预测分析

地质条件较差的边坡,在强降雨持续渗透作用下,存在滑坡隐患。本文基于实际工程,首先构建了边坡的有限元模型,并连续不断施加强降雨条件,得到边坡稳定性特征。随后,基于时间序列ARIMA模型,对后续持续强降雨条件下的边坡稳定性进行了预测。结果表明:通过预测模型的预测值与有限元软件的仿真结果进行对比,其边坡安全系数整体趋势近似,表明基于时间序列ARIMA预测模型的预测结果一定程度上能够反映边坡随降雨时间持续自身安全系数的变化。

基于ARIMA线性时间序列的埋地输油管道剩余寿命预测

针对埋地输油管道剩余寿命预测问题,构建基于ARIMA线性时间序列的埋地输油管道剩余寿命预测模型,并对输油管道剩余寿命进行预测。结果表明:基于ARIMA模型预测出该段管道的剩余寿命为27年,与专业的压力实验计算出的剩余使用寿命28年最为接近,与其他模型对比研究,ARIMA模型更为准确地预测出管道剩余寿命。

基于时间序列相似性与机器学习方法的页岩气井产量预测

页岩气井单变量产量预测存在较强的不确定性,而现场生产动态数据同时包括多个相关指标,针对如何选取合理的多变量数据对页岩气井产量进行预测,在保证计算效率的情况下提高预测精度。页岩气井的生产动态数据集包括日产气量、日产水量、套压、油压、油嘴直径、开井时间和温度等,采用欧式距离和动态时间弯曲距离对生产动态数据时间序列进行相似性度量,依据与日产气量的相关度,把数据分为强相关时间序列和弱相关时间序列;其次,基于卷积神经网络、循环神经网络、长短期记忆网络和门控神经网络分别对全时间序列、强相关序列、弱相关序列和单变量序列进行页岩气井产量预测;最后,以平均绝对误差、均方根误差和决定系数作为评价指标,得到不同序列的误差由小到大排序为强相关序列、全时间序列、弱相关序列、单变量序列,优选的机器学习方法为门控神经网络和长短期记忆网络。结果表明,采用机器学习方法结合页岩气井强相关性序列(日产气量、套压、油压、日产水量)能有效降低预测误差,提高页岩气井产量预测效果。

一种基于线性模糊信息粒的时间序列预测算法

[目的]由于经济、金融、环境和生态等多个领域中时间序列数据规模的持续增长,对其进行预测变得日益复杂,为了提高大规模时间序列的长期预测效率,探索构建模糊信息粒的创新方法,以准确反映数据集大小和趋势信息.[方法]首先,根据模糊拓展原理,研究各种模糊信息粒,包括区间型、三角型和高斯型模糊信息粒的距离定义.随后,结合时间序列片段的中心线段和离散程度信息,引入一类新颖的模糊信息粒.这些粒子可以有效捕捉指定时间范围内时间序列的趋势信息和离散程度,进一步地提出高斯型模糊信息粒距离的函数表达式和几何解释.为了将这些粒子用于时间序列预测,设计一类模糊推理预测系统,该系统可以利用历史数据构造模糊信息粒,并从高斯型模糊信息粒序列中提取模糊推理规则.[结果]高斯型模糊信息粒距离的函数表达式具有简洁的数学表示,可以合理地反映两个高斯模糊信息粒的中心线和离散程度的差异.模糊推理预测系统可以从高斯型模糊信息粒序列中提取有效的规则,实现时间序列的长期预测.实验结果表明,结合线性高斯模糊信息粒与模糊推理系统的预测方法在均方根误差和平均绝对百分比误差方面优于其他数值预测算法和其他模糊信息粒推理方法,包括自回归模型、自回归神经网络和回归向量机等.[结论]结合线性模糊信息粒和模糊推理系统的方法可以提高时间序列长期预测的效率.基于对数据集特征的合理抽象提出了一种新颖的线性模糊信息粒,并简洁地推导出了它们的距离定义.时间序列预测的成功表明,通过巧妙地设计信息粒,能够准确捕捉数据集中的关键特征,从而提高其他数据挖掘任务的效率,例如更快的计算速度和更准确的结果.

基于集成光子储备池的时间序列任务预测 (特邀)

光子储备池因其反馈连接的拓扑结构,在时间序列任务中展现出巨大潜力,主要形式包括延时型、波导型、空间光型和空腔型储备池。其中,波导型集成光子储备池具有并行输入和高集成度的特点,在时间序列二进制任务中表现突出。然而,针对更复杂的模拟数值预测任务,传统方法下的单个集成光子储备池因物理节点数量有限,导致计算性能不足。为解决这一问题,提出了一种32节点梅花形光子储备池芯片,外围节点作为输入输出节点,各输入节点通过强度调制引入非线性效应,接收不同的调制信号,各输出节点基于历史数据,采用向量自回归算法进行训练,从而实现更高效且精确的时间序列预测任务。研究结果表明:通过优化输入策略、芯片设计和训练算法,32节点集成光子储备池相较于传统延时型光子储备池,在预测任务中的RMSE和NMSE指标分别提升了两个和一个数量级,使波导型集成光子储备池在时间序列预测任务中成为有力竞争方法。

基于在线监测时间序列数据的水质预测模型研究进展

当前地表水突发性污染事件频发,已造成严重的环境和社会影响,对环境监管部门应急处置能力建设提出了新要求和新挑战。地表水水质在线监测数据具有高频率和高时效等特点,系统论述了基于在线监测时间序列数据的水质预测模型的研究现状和进展,包括数据软测量、预处理方法和水质预测模型等,分析了不同水质预测模型在应用过程中存在的问题,并对未来研究方向进行了展望,以期为水质预测预警和环境监管提供技术支持和方法参考。

基于模态分解与SRU网络的时间序列预测

时间序列预测在工业、农业、金融及军事等领域中具有重要的应用价值。为了进一步提高预测的可靠性和准确性,构建一种基于模态分解与SRU网络的杂交预测模型。首先,针对模态个数难以确定的问题,构建基于平均样本熵来确定模态个数的自适应变分模态分解(AVMD)模型,以减少不同频率上的混叠及降低随机噪声的干扰。通过在Adam算法中引入了随机调整参数,来提高SRU网络的训练速度及增强网络跳出局部最优解的能力。最后,发展一种基于AVMD与SRU网络的杂交模型。为评估提出的预测模型的可靠性和准确性,将之与一些最新预测方法做比较。电力负荷序列的实验结果表明,所提出的杂交预测模型具有较高的准确性和可靠性。

某三甲中医医院ICU感染发生率时间序列分析及趋势预测

目的:了解某三甲中医医院ICU感染发生率的时序分布特征,预测其发生规律和趋势,为中医医院ICU感染监测提供数据支持。方法:收集某三甲中医医院2019年1月至2024年2月ICU医院感染数据。利用求和自回归滑动平均模型(Autoregressive integrated moving average,ARIMA)对ICU感染发生趋势进行预测并评价其预测效果。结果:2019年1月至2024年2月某三甲中医医院ICU医院感染发生率为2.61%(232/8895);时间序列分析显示,ICU医院感染发生率波动较大且存在一定周期性,总体呈下降趋势。根据赤池信息准则和贝叶斯信息准则拟合,ARIMA(0,1,1)为最优预测模型。经参数估计与效果评价,感染发生率实际值均在预测值95%可信区间内,模型预测效果较好。结论:运用ARIMA对某三甲中医医院ICU医院感染发生率的预测结果良好,可显示其长期发生规律与趋势,能为医院感染监测提供科学依据。

顾及地球物理效应的GNSS高程时间序列AdaBoost预测和插值方法

传统的GNSS高程时间序列预测和插值方法仅考虑时间变量,具有明显的局限性。本文顾及地球物理效应的影响,通过温度、大气压强、极移等数据和GNSS高程时间序列数据构建回归问题,使用自适应提升(AdaBoost)算法建模。为了验证模型的预测和插值性能,试验选取4个GNSS站的高程时间序列进行分析。建模试验表明,相较于Prophet模型,AdaBoost模型的拟合精度提升了约35%;预测结果表明,在12个月的预测周期内,AdaBoost模型在4个GNSS站的MAE值为4.0~4.5 mm,RMSE值约为5.0~6.0 mm;插值试验表明,相较于三次样条插值方法,AdaBoost插值模型的精度约提升了15%~28%。预测和插值试验表明,顾及地球物理效应的AdaBoost模型可以应用于GNSS高程时间序列预测与插值。

基于核递归最大总广义相关熵的时间序列预测

针对核自适应滤波器(KAF)在非高斯和脉冲噪声环境下预测性能下降问题,本文提出了一种新颖的鲁棒算法,称为核递归最大总广义相关熵(KRMTGC)算法.首先,简要介绍系统模型和最大总相关熵(MTC)准则;其次,在核空间采用灵活的总广义相关熵准则取代MTC准则,详细推导出KRMTGC算法,该算法对异常值或非高斯噪声具有更强的鲁棒性;此外,为进一步控制KRMTGC算法中核矩阵无限扩张模式,采用矢量量化思想降低计算复杂度,提出量化KRMTGC算法;然后,研究分析KRMTGC算法的局部收敛特性;最后,通过在基准Rossler系统和真实厄尔尼诺–南方涛动时间序列预测中的仿真结果表明:相比其他KAF算法,所提算法具有更优的预测速度和预测精度.

基于坐标时间序列的地心运动分析与预测

地心运动会影响地球参考框架原点的准确性,是地球参考框架进行非线性维持必须考虑的因素之一,因此提出对地心运动进行多尺度的建模和预测,以实现毫米级地球参考框架的建立和维持。采用网平移法计算的地心运动、全球地球物理流体中心(global geophysical fluids center,GGFC)和国际GNSS服务(international gnss service,IGS)第三次重处理(IGSR03)提供的3组地心运动数据,首先对其一致性和差异进行了分析,然后分别利用谐波模型和Diff-LSTM模型对地心运动进行了长期和短期的建模与预测,结果显示,GGFC地心运动的预测精度优于1.5 mm,而Diff-LSTM模型的地心运动预测结果在短期内优于谐波模型,当预测步长为17时,GGFC和IGSR03的地心运动预测精度均能达到甚至优于1 mm。表明地心运动的预测精度能够满足基于地球质量中心(center of mass of the total earth system,CM)的瞬时地球参考框架的建立与维持。

基于时间序列分析的港口货物吞吐量预测研究

港口货物吞吐量是衡量企业生产经营活动的重要依据,体现地区的经济活力与国际贸易潜力。为更准确地预测港口货物吞吐量,本文针对上海港2013年至2022年间集装箱吞吐量变化特征进行量化分析,使用时间序列研究方法对上海吞吐量发展趋势作出精准化预测。对时间序列的平稳性与模型合理性进行进一步验证,减少时间序列历史数据非线性、非平稳性特点产生的预测误差,提升港口吞吐量预测的准确性和科学性,为实现生产效率与资金投入的科学化统筹提供基础数据支撑。

基于时间序列模型ARIMA的校园供水管网暗漏检测研究

为了及时发现校园供水管网暗漏情况,减少水资源浪费和降低暗漏检测成本,在获取校园各区域水表数据的基础上,根据学校用水规律及特点,建立基于时间序列模型ARIMA的用水量预测模型,分析预测用水量与实际用水量之间的差异性,进而判断校园供水管网是否存在暗漏,构建校园供水管网暗漏检测模型。结果表明,基于时间序列模型ARIMA的校园供水管网暗漏检测模型判断正确率为80%,实际应用效果良好,可以作为校园供水管网暗漏检测的一种预警方法。此方法是基于水表数据的数据模型方法,省时省力省钱,并且可以拓展到其他场所使用。

较短的长序列时间序列预测模型

针对现有的研究大多将短序列时间序列预测和长序列时间序列预测分开研究而导致模型在较短的长序列时序预测时精度较低的问题,提出一种较短的长序列时间序列预测模型(SLTSFM)。首先,利用卷积神经网络(CNN)和PBUSM(Probsparse Based on Uniform Selection Mechanism)自注意力机制搭建一个序列到序列(Seq2Seq)结构,用于提取长序列输入的特征;其次,设计“远轻近重”策略将多个短序列输入特征提取能力较强的长短时记忆(LSTM)模块提取的各时段数据特征进行重分配;最后,用重分配的特征增强提取的长序列输入特征,提高预测精度并实现时序预测。利用4个公开的时间序列数据集验证模型的有效性。实验结果表明,与综合表现次优的对比模型循环门单元(GRU)相比,SLTSFM的平均绝对误差(MAE)指标在4个数据集上的单变量时序预测分别减小了61.54%、13.48%、0.92%和19.58%,多变量时序预测分别减小了17.01%、18.13%、3.24%和6.73%。由此可见SLTSFM在提升较短的长序列时序预测精度方面的有效性。

我国2012—2021年4种肝炎流行趋势的时间序列分析和预测

目的:分析我国2012?2021年4种病毒性肝炎流行特征的季节性规律和长期趋势,探讨适合肝炎发病预测的时间序列模型,为科学防控肝炎提供参考依据和建议。方法:对我国2012年1月—2021年12月甲型、乙型、丙型和戊型肝炎的月发病例数进行时间序列的季节性分解,建立季节自回归移动平均模型(autoregressive integrated moving average model,ARIMA)和季节指数平滑模型(exponential smoothing model,ES),并对2022年1?8月4种肝炎的发病例数进行预测,并比较预测效果。结果:每年3月份是各类肝炎发病的高发期,10年期间,甲型肝炎总体保持下降趋势,乙型肝炎总体趋势有升有降,近年来有上升趋势;丙型肝炎总体呈上升趋势;戊型肝炎总体保持平稳趋势。乙型、丙型和戊型肝炎月平均发病例数分别为甲型肝炎的57.06倍、11.50倍、1.35倍。季节ES模型的预测效果要优于季节ARIMA模型。结论:我国乙型和丙型肝炎发病人数众多,要加强重点防控。时间序列的季节性分解可用于分析肝炎流行特征的季节性规律和长期趋势,季节指数平滑模型中水平、趋势和季节3个参数,能体现肝炎发病的流行规律,在肝炎发病预测中,具有模型简单、计算简便、预测精度高的优点。

基于动态神经网络NARX时间序列的双排桩基坑变形预测

针对目前基于含基本假设或经验公式的传统土力学计算方法,不能有效地反映具有多因素交叉性以及时空性的基坑变形规律,而监测数据时间序列能够真实地表现基坑土体变形的演变,以南宁市亭洪路72号河南水厂住宅小区危旧房改造项目双排桩基坑工程为依托,考虑开挖深度和土体暴露时间这2个因素对监测时间序列的影响,提出一种带有外部输入的非线性自回归(NARX)动态神经网络时间序列模型,多方位预测关键断面重要测点的竖向位移和水平位移。结果表明:预测值和实际监测数据的变化趋势具有较好的一致性,且竖向位移预测值与实际监测值的预测残差小于1.0 mm,水平位移预测残差小于0.3 mm。该模型预测效果良好,同时验证了此模型应用于双排桩基坑变形动态分析的可行性。

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明:该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m 3/h,均方根误差为10.6 m 3/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。

基于局部扰动的时间序列预测对抗攻击

时间序列预测模型已广泛应用于日常生活中的各个行业,针对这些预测模型的对抗攻击关系到各行业数据的安全性.目前,时间序列的对抗攻击多在全局范围内进行大规模扰动,导致对抗样本易被感知.同时,对抗攻击的效果会随着扰动幅度的降低而明显下降.因此,如何在生成不易察觉的对抗样本的同时保持较好的攻击效果,是当前时间序列预测对抗攻击领域亟需解决的问题之一.首先提出一种基于滑动窗口的局部扰动策略,缩小对抗样本的扰动区间;其次,使用差分进化算法寻找最优攻击点位,并结合分段函数分割扰动区间,进一步降低扰动范围,完成半白盒攻击.和已有的对抗攻击方法在多个不同深度模型上的对比实验表明,所提出的方法能够生成不易感知的对抗样本,并有效改变模型的预测趋势,在股票交易、电力消耗、太阳黑子观测和气温预测这4个具有挑战性的任务中均取得了较好的攻击效果.

基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值(N-HiTS)模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量(ICM)指标,并采用K近邻(KNN)算法与线性插值策略处理数据缺失问题。然后,引入N-HiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。