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。

ARIMA-SVM组合模型和TBATS模型在艾滋病报告病例数预测中的应用

目的探讨ARIMA-SVM组合模型和TBATS模型在艾滋病报告病例数预测中应用的可行性。方法收集2013年1月—2019年6月荆州市艾滋病月报告病例数,以2013—2018年艾滋病报告数为训练集,建立差分自回归移动平均模型(ARIMA)模型和指数平滑空间状态模型(TBATS)模型,并应用支持向量机(SVM)对ARIMA模型残差进行非线性建模,建立ARIMA-SVM组合模型。以2019年1—6月月报告数对模型进行验证,并对不同模型预测效能进行比较。结果建立了ARIMA(0,1,2)(2,0,0)_(12)模型、ARIMA-SVM组合模型、TBATS模型;其预测的平均绝对误差百分比(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)依次为18.25%、5.34、5.92,17.53%、4.78、5.67,12.19%、3.81、5.24。结论ARIMA-SVM组合模型和TBATS模型对HIV/AIDS报告数预测准确度较高,值得推广应用。

基于ARIMA-SVM组合模型的电力负荷预测

文章结合支持向量机(SVM)算法和差分自回归移动平均模型(ARIMA)对电力系统负荷未来的趋势进行预测。组合模型应用ARIMA模型预测数据的线性部分,捕获时间系列数据的线性变化趋势,使用SVM预测数据的非线性变化趋势。针对预测结果,计算均方根误差和平均绝对百分比误差,以评价判别模型的优劣,发现ARIMA-SVM组合模型对电力系统负荷的预测结果相较于单一ARIMA模型和SVM模型更加精确和可靠。

利用ARIMA-SVM模型的碳排放交易价格预测

为了帮助企业、投资者和市场监管部门优化碳排放市场参与行为,需要对碳排放交易价格进行合理有效的预测。考虑到碳排放交易价格时间序列同时具有线性和非线性2种特征,选择ARIMA-SVM融合模型运用到碳排放交易价格预测中,发挥该模型预测精度高的优势。运用ARIMA-SVM模型、ARIMA模型、SVM模型和Db6-SVM模型对湖北碳排放交易价格进行8期预测。通过4种模型预测值的MSE值和MAE值确定预测精度,对比预测精度,探究ARIMA-SVM模型是否为准确有效的预测模型,实证结果表明:ARIMA-SVM模型的MSE值为0.1770,是4种模型的最低值;MAE值为0.3387,是4种模型的次低值。可以认为ARIMA-SVM模型的预测精度最高,是一种有效的且精度高的碳排放价格预测模型,可用于碳排放交易价格预测,可以为碳排放交易参与企业和各方投资者把握价格波动趋势,增强防范能力提供保障,也可以为市场监管职能部门防止碳排放交易价格过度波动及时制定有效措施。

基于ARIMA-SVM组合模型的我国农产品价格预测研究

为准确把握国内农产品价格波动规律,提高农产品价格预测精度,构建农产品价格自回归移动平均与支持向量机(ARIMA-SVM)组合预测模型,以ARIMA模型揭示农产品价格线性变动规律,以SVM模型揭示非线性变动规律,并结合1999-2011年我国农产品价格指数月度数据,使用组合模型和ARIMA、SVM单个模型对农产品价格进行预测。预测结果显示:组合模型比单个ARIMA、SVM模型预测精度高,能够提高农产品价格预测的准确性,是一种有效的农产品价格预测模型。

沈阳市PM_(2.5)浓度ARIMA-SVM组合预测研究

首先利用回归树分类方法,对采暖期与非采暖期各日进行气象类型划分,识别出易造成重污染天气的气象类型.其次分别在各气象类型内,以污染源排放量为自变量,利用差分自回归滑动平均与支持向量机(ARIMA+SVM)组合方法建立起PM_(2.5)浓度日均值预测模型,并选取2013年01月～2017年06月间,沈阳市区内9个环境监测点PM_(2.5)浓度日均值进行实证分析.结果表明,使用气象分类下的ARIMA+SVM组合模型对PM_(2.5)浓度日均值进行预测,相比于不划分气象类型时的普通机器学习模型,其模型预测值与实测值趋势的吻合度更高,且对峰-谷值的识别能力更强.在采暖期与非采暖期,组合模型均具有平均绝对误差更低、预测正确率更高的优点.

基于ARIMA-SVM模型的博物馆经书库TVOC浓度预测

为满足文物预防性保护需求,分别用ARIMA和ARIMA-SVM模型对某博物馆经书库TVOC浓度进行了预测研究。结果表明:ARIMA-SVM模型的精度高,能够较好地预测TVOC浓度序列趋势;基于ARIMA-SVM组合预测方法的平均绝对误差(MAF)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别为0.0015×10^(-6)、0.0005和0.0055×10^(-6),印证了该模型预测博物馆TVOC浓度的可行性,可以为经书库环境调控提供科学依据。

ARIMA模型和ARIMA-SVM模型对上海市2型糖尿病患者肺结核发病的预测效果

目的建立差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型,对上海市2型糖尿病(type 2 diabetes mellitus,T2DM)患者肺结核(pulmonary tuberculosis,PTB)的发病率进行预测,在此基础上建立ARIMA支持向量机(support vector machines,SVM)组合模型,修正单一模型的预测结果。方法以上海市T2DM患者管理库及结核病监测系统数据为基础,获得2010-2015年确诊的上海市户籍T2DM患者的基线信息及随访期间TB的发病情况。以2010-2014年TB月发病数据为基础,建立ARIMA模型,并应用SVM对ARIMA模型残差进行非线性建模,建立组合模型。以2015年月发病率数据对模型进行验证。采用均方根误差(root mean square error,RMSE)和平均绝对误差百分比(mean absolute percentage error,MAPE)评估和比较模型的准确性。结果建立的ARIMA模型为ARIMA(3,1,0)(1,1,0)12。ARIMA模型和ARIMA-SVM组合模型预测2015年上海市T2DM患者PTB月发病率的MAPE分别为87.0%和54.6%,RMSE分别为2.96和2.26,组合模型数值更低,预测更准确。结论 ARIMA-SVM组合模型对T2DM患者PTB发病的预测精度高于单一ARIMA模型。

基于ARIMA-SVM组合模型的股票价格预测

现有的股票价格准确预测方法各有优缺点,为了发挥各种预测方法的优点,提出二进正交小波变换和ARIMA-SVM方法的非平稳时间序列预测方案。使用小波分解算法对数据进行分解,分离出非平稳时间序列中的低频信息和高频信息;然后对高频信息构建自回归模型ARIMA预测,对低频信息则用SVM模型进行拟合;最后将各模型的预测结果进行叠加,从而得到原始时间序列的预测值。将预测结果与实际值比较,组合模型具有较好的预测效果。经实验证明,小波分解的ARI-MA-SVM组合模型较单一的预测模型效果更为理想。

基于自适应粒子群优化的ARIMA-SVM光功率趋势预测

为实现光纤线路未来状态趋势预测,提出基于自适应粒子群优化(APSO)的ARIMA-SVM光功率趋势预测法。利用小波变换对光功率数据进行预处理,设计APSO算法优化SVM模型参数,构建了优化后的ARIMA-SVM模型,实现了光功率趋势预测。

ARIMA-SVM的物流需求预测模型

物流需求是多种因素综合作用的结果,具有规律性和特殊性,变分十分复杂,导致当前物流需求预测模型的预测效果差,难以满足物流管理的实际应用要求。为了解决物流需求建模过程中存在的难题,提出基于ARIMA-SVM的物流需求预测模型。首先对当前物流需求预测的研究现状进行分析,找到引起物流需求预测效果的原因;然后选择差分自回归滑动平均模型对物流需求的规律性变化特点进行建模,支持向量机对物流需求的特殊性变化特点进行建模;最后采用权值方式确定物流需求预测的预测结果,并采用物流需求的预测实例分析模型的有效性。结果表明,ARIMA-SVM的物流需求预测结果要优于当前其他物流需求预测模型,为其他预测问题提供了一种建模工具。

ARIMA-SVM组合模型驱动下的瓦斯浓度预测研究

针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型(ARIMA)和支持向量机(SVM)模型的组合预测模型,并采用该模型对瓦斯浓度进行预测。首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果。其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA-SVM组合模型。利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果。实验结果表明:① ARIMA-SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型。②相对于ARIMA模型、SVM模型,ARIMA-SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型。③ ARIMA-SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明ARIMA-SVM组合模型预测精度更高。

基于ARIMA-SVM模型的短时交通流量预测研究

为了缓解城市交通拥堵问题,需要探究城市道路交通的本质特征,基于大数据深入挖掘道路交通流的复杂特性,提出了一种ARIMA与SVM的组合预测模型,对道路断面交通流量进行预测。以西安市区道路交通流检测数据为基础,利用MATLAB数值仿真软件进行组合预测模型的训练,对比分析单一模型和组合模型的预测效果,ARIMA-SVM组合模型预测结果的平均绝对百分比误差为1.57,均方根误差为4.7535,与单一预测模型的预测效果相比,在道路断面短时交通流量预测方面,组合预测模型的精确性更高,可靠性更强。

一种新的基于ARIMA-SVM网络流量预测研究

研究网络流量预测精度问题,网络流量受多种因素的综合影响,其变化具有周期性、非线性和随机性等特点,将ARIMA模型和SVM模型相结合建立一种网络流量预测模型。采用ARIMA预测网络流量周期性和线性变化趋势;然后采用SVM对网络流量非线性和随机性趋势进行拟合;最后将两者结果再次输入SVM进行融合,得到网络流量最终预测结果。采用具体网络流量数据对模型性能进行测试,仿真结果表明,ARIMA-SVM提高了网络流量预测精度,降低了预测误差,能更全面刻画网络流量变化规律。

基于ARIMA-SVM组合模型的创业板股票价格预测分析

为解决复杂时间序列棘手的预测问题,在综合了解其线性和非线性复合特征的基础上,提出了基于ARIMA和SVM相结合的时间序列预测模型。本文先用ARIMA模型对时间序列进行线性建模,然后采用SVM对时间序列的非线性部分进行建模,最后得到两种模型的综合预估结果。文章的数据来源于"华泰证券"为期一年的250期股票收盘价,分析结果说明:ARIMA-SVM组合模型的精度比单一模型的预测精度要高,组合模型对于短期动态、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SARIMA-SVM组合模型的地铁客流量预测研究

为提高地铁客流预测精度,通过结合不同类型日期的地铁客流量周期性及非线性特点,提出融合季节差分自回归移动平均模型(SARIMA)和支持向量机(SVM)的优化模型。该模型采用SARIMA对地铁客流量的时间序列数据进行线性建模,使用SVM对SARIMA模型输入的残差值进行非线性建模,并分别将SARIMA模型、SVM模型及SARIMA-SVM模型对工作日和双休日地铁客流量的预测效果进行比较。实验结果表明,SARIMA-SVM模型的预测精度高于单一模型,相较于不考虑日期类型的组合模型,精度提高了12.24%。考虑日期类型的SARIMA-SVM组合模型能够捕捉地铁客流规律,满足地铁客流量的预测要求,可为地铁运营提供决策依据。

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。

基于ARIMA-SVM模型的郑州市CPI预测研究

利用ARIMA-SVM组合预测模型对郑州市的月度居民消费者价格指数(CPI)进行预测。首先,分别用ARIMA模型和SVM预测模型对郑州市月度CPI进行预测;然后,采用ARIMA-SVM组合预测模型对其CPI进行预测,并将结果与单独的ARIMA模型和SVM模型进行比较。实证结果表明,ARIMA-SVM模型能更准确地预测郑州市的CPI指数。

基于改进PSO的ARIMA-SVM空气质量预测研究

针对现有的单一模型对PM2.5质量浓度预测误差较大的问题,提出自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)-支持向量机(Support Vector Machine,SVM)组合预测的方法.首先,为了解决单核SVM泛化能力弱、学习能力差的缺点,构建基于线性组合的混合核SVM;然后,考虑到普通粒子群算法对SVM参数寻优存在易陷入局部最优解和后期震荡的问题,提出基于余弦函数的自适应惯性权重和增加动量项的改进粒子群算法;最后,以北京市某站点的PM2.5质量浓度数据进行验证.结果表明:改进的组合模型均方根误差较未改进组合模型和单一ARIMA模型分别降低了1.741μg·m-3和6.720μg·m-3,具有更加良好的预测精度.

基于ARIMA-SVM组合模型的光功率趋势预测新方法

针对电力通信系统光纤线路未来状态趋势预测问题,提出一种基于自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)-支持向量机(Support Vector Machine,SVM)组合模型的光功率趋势预测法。根据光功率数据的非线性和时变性特点,首先利用小波变换将其分解并重构,然后设计一种基于混合核函数的SVM预测模型,对重构后的数据分别构建ARIMA模型与基于混合核函数的SVM模型并预测,最后组合2种模型的预测结果实现光功率趋势预测。分别采用ARIMA模型、径向基函数(Radical Basis Function,RBF)模型、SVM模型、ARIMA-RBF模型与该模型进行实验并对比,结果表明,基于混合核函数的ARIMA-SVM组合模型对光功率趋势预测最为准确,其预测精度及计算速度都有了显著提高,为未来光功率趋势发展提供了一种有效可行的预测新方法。