基于Holt-Winters的电离层总电子含量预报

利用IGS中心提供的不同经纬度平静期、活跃期14d的电离层TEC格网点数据,以前8d的TEC值作为样本序列,分别采用Holt-Winters加法模型和乘法模型建立TEC预报模型,并预报后6d的TEC值。结果表明,无论在电离层平静期还是活跃期,2种模型所得预报结果大致相同,并与实际观测数据吻合较好,但加法模型的预测结果能更好地反映电离层TEC的变化特性。

基于ARIMA乘积季节模型和Holt-Winters季节模型的梅毒月发病率预测

目的:探讨ARIMA乘积季节模型和Holt-Winters季节模型在我国梅毒月发病率预测中的应用价值。方法:以2005年1月至2015年12月梅毒月发病率数据为基础,运用SPSS 22.0和Eviews 8.0分别建立ARIMA乘积季节模型和Holt-Winters季节模型,采用2016年1至6月的实际数据验证模型,评价指标是预测误差和平均绝对误差(MAE)。选择精度较高模型预测2016年7至12月梅毒月发病率。结果:MAE的比较结果表明ARIMA乘积季节模型预测精度优于Holt-Winters季节模型,最优模型是ARIMA(1,1,1)×(0,1,1)12,模型口径为:(1-B)(1-B12)(1+0.374B)xt=(1+0.740B)(1+0.775B12)εt,2016年7至12月梅毒月发病率的预测结果(1/10万)分别为3.107、2.989、2.879、2.658、2.631、2.644。结论:ARIMA乘积季节模型具有较高的预测精度,可较好地拟合全国梅毒月发病率的演变趋势。

基于Holt-Winters与最小二乘支持向量机的混合预测模型

为了提高地下水埋深时间序列的预测精度,本文应用Holt-Winters三参数指数平滑法作为预测模型,使用最小二乘支持向量机对残差序列进行预测。由于核参数和惩罚因子在很大程度上直接影响了最小二乘支持向量机的预测性能,本文选用果蝇优化算法对其参数进行优化选取,该方法不仅能够建立最优的混合预测模型,而且能够很好地捕获地下水埋深序列的非线性特征。选用甘肃民勤县大坝乡城西八社地下水监测站点的数据来验证所建模型的预测性能,实验结果表明与传统的单一预测方法相比,本文所建混合预测模型提高了预测精度。

Holt-Winters方法与ARIMA模型在中国航空旅客运输量预测中的比较研究

我国航空运输市场近几年保持持续高速增长态势,国内的航空公司、机场及相关企业有着很大的发展空间。对航空旅客运输量作出准确的预测是相关企业和部门准确把握行业发展趋势,制定正确竞争和投资战略的基础和前提。根据航空旅客运输量趋势性和季节性较强的数据特点,分别使用季节ARIMA模型和加法模型下Holt Winters方法,对中国航空旅客运输量作出了预测,并将预测结果加以比较。

基于改进遗传算法的Holt-Winters模型在采空沉陷预测中的应用

针对遗传算法存在的缺陷,提出了用小生境方法改进遗传算法。为了提高采空沉陷预测精度,借助Holt-Winters模型的预测功能,应用改进遗传算法求解和优化Holt-Winters模型组合参数,形成了改进遗传算法-Holt-Winters模型组合算法。将组合算法应用于长平高速公路采空区路段沉陷预测,计算表明:改进遗传算法弥补了传统遗传算法易早熟、局部寻优能力弱的缺陷;改进遗传算法-Holt-Winters模型组合算法克服了按梯度试算法搜索质量差和精度不高的缺点,输出稳定性好,预测结果相对误差在2%以内,预测精度显著提高;在采空沉陷中长期预测的相对误差小于0.79%,该算法可用于中长期采空沉陷预测。

基于Holt-Winters模型的铁路月度货运量预测研究

铁路货运量预测是铁路运输市场分析的重要内容,对铁路货运业务的开展有着重要指导意义。铁路月度货运量数据序列是既有趋势性增长又有季节性波动特征的时间序列,Holt-Winters模型适用这类时间序列的预测。本文构建Holt-Winters乘法模型来进行铁路月度货运量预测,并以某铁路局化肥月度货运量为原始数据来做实证分析,最后与灰色模型、分组回归等传统预测模型的结果进行比较,结果显示Holt-Winters模型的预测精度最高。

应用holt-winters加法模型预测出院人次

目的分析holt-winters加法模型预测出院人次的效果。方法使用Eviews6.0软件,采用holt-winters加法模型预测,并与单参数指数平滑方法的计算结果进行比较。结果加法模型拟合效果很好,加法模型的均方误差较单参数平滑方法小。结论 holt-winters加法模型适用于预测出院人次序列。

基于神经网络与Holt-Winters模型的铁路货运量组合预测

铁路货运量的预测结果直接影响到铁路运输计划以及有关运输政策的制定.在有关文献研究的基础上,提出了基于Holt-Winters模型和神经网络的铁路货运量组合预测方法,并为Holt-Winters模型和神经网络模型设计了相应的算法,同时,采用最小绝对值法,确定了组合模型中各单项预测模型的权重.最后利用实例验证了该组合预测方法的有效性和实用性.预测结果分析表明:最大预测误差为9.13%,最小预测误差为2.38%,说明本文提出的组合预测模型充分考虑了多指标的共同作用,具有一定的科学性.

基于改进免疫遗传算法和Holt-Winters的电能计量器具配送优化

针对电能计量器具物流配送的需求量预测、配送中心选址以及客户分配等多个问题,提出一种基于改进免疫遗传算法和Holt-Winters模型的电能计量器具配送网络优化策略。首先,采用Holt-Winters模型来预测未来一年的月度需求量,黄金分割法可用于搜索最优平滑系数,提高预测的准确性;然后,采用高斯投影法将客户的经纬度转换为平面直角坐标,建立配送运输成本最小的目标函数,并基于种群的相似性和矢量距,对免疫遗传算法的抗体浓度进行改进;最后,以某省网计量中心—配送中心—客户二级电能表配送问题为例,采用改进免疫遗传算法求解目标函数,筛选最优的配送中心位置和客户分配方案。结果表明,改进免疫遗传算法具有更高的收敛效率和避免局部收敛的能力,本文所提电能计量器具配送网络优化策略对减小配送成本具有一定的参考价值。

Holt-Winters模型在卷烟预测中的应用

提出基于Holt-Winters卷烟预测模型,对该预测模型设计了相应的算法,并以实际数据为例验证了Holt-Winters模型预测方法的有效性和实用性。

Holt-Winters模型与X-11模型在预测中的比较研究

以实际数据为例,对一时间序列分别建立Holt-Winters模型与X-11模型并进行预测。从而对这两种统计模型进行比较研究,得出对于既有趋势又有季节性的时间序列进行预测X-11模型优于Holt-Winters模型。

Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较

利用IGS中心发布的15天TEC数据作为样本,采用Holt-Winters加法、Holt-Winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。

基于Holt-Winters的时间序列预测在大数据监控系统中的分析与应用

针对大数据监控系统对时间序列预测准确性和实时性的需求,以及大数据监控系统中时间序列呈现趋势性和季节性变化的特点,选择Holt-Winters算法建立时间序列预测模型。首先介绍时间序列的概念和特点,然后分析Holt-Winters算法的原理以及预测条件。选取合适的平滑系数是影响Holt-Winters算法预测准确性的关键,结合L-BFGS算法在不同时间区间求最优解,实现动态平滑系数的选取。最后以用户2天的页面访问量作为实验数据,通过相对误差指标的比较分析,验证该算法能满足大数据监控系统对时间序列预测的需求,具有较好的实际应用效果。

基于Holt-Winters方法的年径流序列周期识别

针对小波分析法在年径流序列周期识别方面存在的不足,以长江支流乌江水系武隆站为例,利用Holt-Winters模型固有结构模拟水文时间序列,根据拟合精度来判断年径流序列周期出现的可能性,以达到周期识别的目的,并与小波分析法识别的序列周期进行比较。结果表明,Holt-Winters模型很好地捕捉到了小波分析法中的所有周期成分,且模型结果很好地验证了所提假设,可确定原序列存在5.6年的主要周期项。

基于Holt-Winters无季节指数平滑模型的国内电影票房预测

本文首先对2002-2014年国产2D电影票房数据进行分析,从票房现状、观影人数、国产影片数量、院线数量、影院数和银幕数这五个方面,了解了国产电影的现状。其次,通过Holt-Winters无季节指数平滑模型和双指数平滑模型的对比,选择Holt-Winters无季节指数平滑模型对2015年国产电影票房进行预测。

基于Holt-Winters及长短期记忆的云资源组合预测模型

云资源的预测分析对于响应资源请求并及时做出决策非常重要,针对容器云资源的过度调配、供应不足的资源管理问题以及云资源预测精度低、数据波动性等问题,为使云资源的预测能够为工作负载的需求提前响应并做出合理分配,提出了一种基于Holt-Winters和长短期记忆神经网络(long short-term memory,LSTM)(HW-LSTM)的云资源组合预测模型,并以预测残差的变异系数赋权。对亚马逊CPU数据集的预测实验表明,提出的组合模型比Holt-Winters、LSTM及卷积神经网络(convolutional neural networks,CNN)模型预测性能及稳定性更好,均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对比例误差(mean absolute scaled error,MASE)、方差D(n)优化范围分别为0.065~1.026、0.023~0.269、0.001~0.007、0.004~0.039和0.079~4.125。

基于小波变换和季节性Holt-Winters模型的短期负荷预测方法

精准的负荷预测对售电公司在电力市场中的运行起着十分重要的作用,而企业用户的负荷受多种因素的影响具有不平稳的特性,对此,提出了基于离散小波分解和粒子群优化的季节性Holt⁃Winters模型的短期负荷预测方法。针对原始负荷序列周期性不平稳的特性,利用离散小波变换对原始负荷序列进行分解,并采用季节性Holt⁃Winters模型进行预测,同时借助小波去噪和粒子群算法进一步提高预测模型的准确性。小波去噪在过滤原始数据中潜在的噪声的同时,对数据进行平滑处理,而粒子群算法能让Holt⁃Winters模型在训练过程找到最优参数。采用该模型来预测具有不同变化趋势的日负荷曲线,结果表明所提出的模型具有较高的预测精度,可适用于不同用电类型的用户负荷短期预测。

基于ARIMA和Holt-Winters的消费行为预测

以学校一卡通交易流水数据为研究对象,挖掘出令管理层感兴趣的信息,为学校决策管理提供科学依据.把食堂2014年1月至2019年2月的消费数据作为研究对象,通过平滑消除数据噪音,分别建立ARIMA模型和Holt-Winters乘法模型,将月数据组成的离散型时间序列进行拟合分析,并对2019年3月至5月份的消费趋势进行了预测,最后用实际值来检测预测结果.实验证明,Holt-Winters模型对消费数据的拟合效果较好,预测精度更高.应用合适的数学模型对一卡通中饭堂消费的数据进行分析、拟合、预测,有助于全面掌握师生的食堂消费行为规律,可为后勤部门优化资源配置和科学决策提供依据.

基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测

为提升短期电力负荷预测的精度,着眼于特征组合的构建,提出了一种基于Holt-Winters指数平滑的特征组合(FCHW),并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先,应用Holt-Winters指数平滑进行负荷序列预测,得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征,并与常规特征(历史负荷、日期)构成特征组合,构建了FCHW;其次,选择TCN作为预测模型,以FCHW作为TCN输入,搭建了FCHW-TCN预测框架;最后,采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明,FCHW有助于模型预测精度的提升;与其他预测模型相比,FCHW-TCN预测框架有着最高的预测精度,具有优越的预测能力。

ARMA模型和Holt-Winters指数平滑模型在企业用电量预测中的应用与分析

本文通过对时间序列的研究分析,提出基于ARMA模型和基于Holt-Winters指数平滑模型进行企业用电量预测的方法。对采集的中山市某企业用电量数据样本分别用上述两种模型建模和后续30天的用电量数据预测,分析样本数量对预测准确度的影响、用累计短期高频数据预测中长期数据的效果,比较两种模型的预测准确度。结果显示:基于ARMA模型的预测方法对于企业未来30天逐日用电量预测能够达到平均95%以上的拟合度,基于Holt-Winters指数平滑模型累计逐日预测数据预测下1个月用电量数据具有高达99%以上的拟合度,二者组合应用具有较高的可行性和推广价值。