基于多参数时间序列及粒子群优化算法的油藏产量动态建模预测方法

在油田开发过程中,油藏产量预测方法的研究对开发方案的动态调整具有重要意义。针对利用机器学习算法进行油藏产量预测过程中,因缺乏考虑时间序列模型的参数调整优化技术,以及新数据叠加进行预测模型动态更新技术,导致产量预测的准确率不高且时效性不强,难以满足实际生产应用需求等问题,研究了基于长短期记忆神经网络模型的多参数时间序列预测方法及粒子群参数优化算法,构建了随时间动态更新的油藏产量预测模型,从而进一步提升油藏产量预测的准确率与实用性,并在长庆油田多个油藏的生产过程中进行了应用。应用结果表明,模型预测结果的准确率较高,且模型具有实时训练和自动更新的特点,在实际生产中展现出了较高的应用价值。

基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示:SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论:SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。

基于CEEMDAN-GAN的金融时间序列预测建模研究

近年来,深度学习模型不断地被应用于时间序列的预测之中,而且效果显著。文章将自适应噪声完备集合经验模态分解(CEEMDAN)和随机森林算法引入到时间序列预测建模之中,提出了一种基于CEEMDAN-GAN的金融时间序列预测模型;以美元兑人民币汇率为测试数据,运用CEEMDAN对原始数据进行分解和重要性评估,通过不断优化内涵模态分量(IMF)的重构方式提高模型预测准确率;将CEEMDAN-GAN与当下流行的时间序列预测模型LSTM、GRU相比较。实验结果表明,CEEMDAN-GAN的预测结果优于现有的时间序列预测建模方法,具有更好的解释能力和更低的预测误差。

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.

气象要素时间序列的演化建模分析与短期气候预测

以武汉站(5～9月)汛期降水量观测数据序列为例,将这类具有明显的不规则性(混沌特征)时间序列分解为宏观气候尺度周期的波动部分和迭加其上的微观气候尺度周期的波动部分,分别采用演化建模方法和自然基小波方法模拟逼近.特别强调由演化建模方法得到的非线性常微分方程较之传统的线性建模具有更好的分析预测能力.

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数,并提出一种基于核主成分分析的非线性时间序列相空间重构方法,针对时间序列的时序特征,采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明,与通常的基于普通支持向量回归的建模方法相比,该文所提出的预测建模方法具有较高的精度,说明所提方法对非线性时间序列的预测建模是有效的。

经济时间序列的非线性组合建模与预测方法研究

基于模糊系统在紧立集中能够任意逼近非线性连续函数的特性，本文提出了一种基于Ｔａｋａｇｉ—Ｓｕｇｅｎｏ模糊规则基的非线性组合预测新方法，以克服线性组合预测方法在解决非平稳时间序列组合建模问题所遇到的困难和存在的不足，并采用相应的遗传算法确定模糊系统的参数及模糊子集的划分。理论分析和大量的应用实例表明：该方法具有很强的学习与泛化能力，在处理诸如经济时间序列这种具有一定程度不确性的非线性系统的组合建模与预测方面有很好的应用价值．

两类思想时间序列建模方法在医疗收入趋势周期预测中的应用

时间序列分析是利用历史时序资料分析事物本身随时间变化规律，经数学模型拟合后提取历史延续性信息，惯性外推后预测未来。随着交叉学科多样化方法引入，时间序列分析技术和软件工具不断拓展，为不同问题数据资料提供适应空间。

基于时间序列分析的机车振动信号建模和预测

通常机械设备的振动信号是其运行状况的直接反映,而对振动信号的未来预测又是分析的重点。现选择时间序列分析理论来处理振动信号,选用AR模型进行建模与预测仿真。同时对时间序列建模的基本原理、操作步骤做了详细的论述。最后利用Matlab系统辨识工具箱相关函数对一个实际机车振动信号进行了建模,结果表明利用时间序列分析技术处理振动信号的预测问题是快速有效的。

波浪影响下船舶横摇运动的时间序列预测数学建模研究

在波浪的影响下,常规的船舶横摇运动时,没有建立横摇运动的模型,降低了预测的精度,不能有效地减小船舶的横摇,存在船舶耐波性较差的问题。当前方法进行船舶横摇运动的建模时,不能减小船舶的横摇,降低了船舶的耐波性。提出一种基于时间序列预测的船舶横摇运动数学建模研究方法。该方法建立波浪扰动船舶横摇运动模型,依据随机的过程理论,求出空间上某固定点波浪倾角的数学模型,依据横摇运动模型得出横摇运动的数据。对船舶横摇运动进行时间序列预测克服了传统方法存在的弊端,运用时间序列的分析方法建立AR模型,应用于船舶横摇运动的时间序列的预测,减小船舶的横摇性,提高了船舶的耐波性,完成对波浪影响下船舶横摇运动的时间序列预测数学建模的研究。实验的结果表明,利用该方法能有效地减小船舶的横摇,提高船舶的耐波性。

混沌时间序列建模及预测

许多看似随机的时间序列可能是非线性确定系统的混沌行为所导致的结果。本文讨论了混沌时间序列的建模及预测方法，给出了各重要参数的选择取算法，并应用于实例，与传统的时间序列预测方法相比较，取得了精度更高的预测结果，从而为一类非线性时间序列提供了从数据采集识别到建模预测的完整技术。

中国外汇储备时间序列分析建模与预测——基于ARIMA模型

基于时间序列分析方法对中国2000～2010年月度外汇储备余额数据序列进行建模,通过验证序列的趋势特征,并从中选择最佳拟合模型,预测中国2011年上半年外汇储备规模增长情况。实证分析结果表明,所选模型能较为精确的预测中国外汇储备规模,与实际偏差在0.3%以内,在外汇储备管理研究中将有较大应用价值。

基于周期性建模的时间序列预测方法及电价预测研究

时间序列数据广泛存在于人类的生产生活中,通常具有复杂的非线性动态和一定的周期性.与传统的时间序列分析方法相比,基于深度学习的方法更能捕捉数据的深层特性,对具有复杂非线性的时间序列有较好的建模效果.为了在神经网络中显式地建模时间序列数据的周期性和趋势性,本文在循环神经网络的基础上引入了周期损失和趋势损失,建立了基于周期性建模和多任务学习的时间序列预测模型.将模型应用到欧洲能源交易所法国市场的能源市场价格预测中,结果表明周期损失和趋势损失能够提高神经网络的泛化能力,并提高预测时间序列趋势的精度.

基于RBF神经网络结构选择方法的Mackey-Glass与Lorenz混沌时间序列预测建模

混沌时间序列的频谱状态丰富,能在不同状态下反映信号的激励特性,所以常用作预测建模的测量序列.传统的混沌时间序列的结构选择往往依赖于经验,无法充分反映混沌系统的特性,容易导致模型的推广范围较窄.针对以上问题,提出了一种基于RBF网络的Mackey-Glass与Lorenz混沌时间序列预测模型,利用模型结构选择方法来充分反映混沌系统的时序特性,并通过模型优化等策略提高模型的泛化能力.结果表明,模型结构选择方法能有效提高混沌时间序列的预测精度,具有良好的应用前景.

线性与非线性单方程时间序列建模在黄金现货价格预测分析中的实证研究——基于ARMA模型及GARCH模型族

由于黄金现货价格受到诸多经济及政治因素的影响,其生成过程复杂,难以通过其影响因素的研究来对其进行预测分析。因此,本文试图从黄金价格本身的时间序列着手,试图利用线性的ARMA及非线性的GARCH模型族,利用单方程时间序列建模的方法对黄金现货价格进行预测分析。研究发现线性的ARMA模型和非线性的GARCH-M模型都能较好地进行对伦敦黄金现货价格进行预测,在研究的样本中,两者的向前一步预测误差分别为0.06%和-0.03%。GARCH-M模型的预测效果较好。此外,还通过使用GARCH模型族分析了伦敦黄金现货价格的信息不对称性、风险收益特征和对系统性冲击的反应,针对性地做出了结论和投资建议。

多元时间序列小波相关分析与预测建模研究

针对小波相关分析方法在多元时间序列应用的局限性和多元时间序列预测建模中存在的复杂相关性,提出了一种基于小波相关分析的多元时间序列预测建模方法。该方法首先定义平滑后的小波相关系数矩阵及逐步回归向前思想设计了利用小波相关的降维方法,保证模型预测精度的同时分析了变量之间存在的冗余性,对变量进行了有效的选择;其次构建只与时滞因子有关的互相关系数矩阵,定量描述了降维后自变量对因变量的时滞相关关系,并利用定量时滞因子建立了预测模型。最后,分别对Housing数据和实际的文物监测数据进行了小波相关分析及预测建模仿真。实验结果表明该方法增强了小波相关分析理论的适用性,验证了所提方法的有效性和可行性,进一步提高了多元时间序列预测模型的模型精度。

专家建模器构建时间序列模型在需求预测中的应用

在供应链协同环境中,市场需求预测是供应链上下游企业非常重视的工作之一,它是供应链运作相关活动的基础工作。文章在充分调研企业需求预测现状后,发现很多中小企业缺乏有效的、定量的需求预测模型。文章通过对比常规需求预测方法,认为基于SPSS统计分析软件专家建模器构建时间序列预测模型的方法,能够智能、便捷输出适宜、实用的时间序列预测模型,且能够很好说明预测精度,供企业参考使用,具有较强的实用价值。

改进时间序列模型在高速公路短时交通流量预测中的应用

为了提高短时交通流预测精度,针对传统时间序列模型在进行交通流量预测时存在无法动态调整模型参数、样本量过大导致序列的平稳性减弱、建模过程复杂等不足,从样本序列的动态选取及模型识别两方面进行优化,提出了一种改进的时间序列模型。利用渝武高速公路微波车检器的实测流量数据对改进前后的时间序列模型进行了实验验证和对比分析,结果表明改进后的时间序列模型有效克服了传统时间序列模型的不足,并对不同的交通流状况具有较好的适应性,无论在工作日还是节假日均具有更高的预测精度。

基于支持向量机的时间序列预测模型分析与应用

阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架。将支持向量机预测模型应用于某型航空发动机的滑油金属含量监测中,并与递归神经网络预测器进行了比较。得出支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力,可预测区间较长且具有较高的准确度,而递归神经网络模型在中、短期预测中与支持向量机相差不大,在较长区间预测中效果较差的结论。

基于超程时间和吸合时间建模的继电器双变量寿命预测方法的研究

继电器寿命是表征继电器可靠性的重要指标,超程时间和吸合时间是表征继电器寿命的重要特性参数。继电器触点在开断和闭合过程中,由于电弧等的侵蚀作用造成触点的电磨损。随着触点电磨损的增加,触点的厚度逐渐减少,造成超程时间减小,吸合时间增大。针对现行的继电器可靠性寿命试验方法中存在的问题:① 抽样试验概率统计方法估计电寿命的可靠度较低;② 试验周期长,耗费人力、物力及电能;③ 试验是破坏性的。文中提出了基于超程时间和吸合时间建模的继电器双变量寿命预测方法, 建立了趋势项时间序列预测数学模型和平稳项时间序列预测数学模型,并对两种预测数学模型进行了参数辨识。实验结果表明,该方法是有效的。