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,系统论述了目前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,并对未来研究方向提出进行了展望,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。

深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

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。

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

基于双通道回声状态网络的时间序列补全及单步预测

随着物联网的发展,众多传感器采集到大量具有丰富数据相关性的时间序列,为各种数据挖掘应用提供强大的数据支持。然而,一些客观或主观原因(如设备故障、稀疏感知等)往往会造成采集到的数据出现不同程度的缺失。虽然已有很多方法被提出用于解决这一问题,但这些方法在数据相关性方面或考虑不够全面,或计算成本过高。而且,现有方法仅关注对缺失值的补全,未能兼顾下游应用。针对上述不足,设计了一种兼顾补全与预测任务的双通道回声状态网络。两个通道的网络虽共用输入层,但具有各自的储备池和输出层。两者最大的区别是左/右通道的输出层分别表示输入层前/后一个时刻对应的目标值或预补值。最后将两个通道的估计值进行融合,充分利用来自缺失时刻之前和之后的数据相关性以进一步提升性能。两种缺失现象下(随机缺失和分段缺失)不同缺失率的实验结果表明,所提模型无论是在补全精度还是预测精度上都优于目前流行的各类方法。

基于时间序列对齐和TCNformer的重介精煤灰分多步预测

由于在重介分选过程中各个传感器位置不同,导致重介分选主要工艺参数与灰分存在时间滞后,影响了精煤灰分结果。基于回归模型的灰分预测方法缺乏对时间序列信息的利用,无法捕捉重介生产过程随时间变化的动态特性;基于时间序列的灰分预测方法未能充分考虑灰分和重介分选主要工艺参数之间的时间依赖关系。针对上述问题,提出了一种基于时间序列对齐和TCNformer的重介精煤灰分多步预测方法。通过滞后相关性分析来量化灰分与重介分选主要工艺参数之间的滞后步长,依此对重介分选主要工艺参数在时间维度上进行移动,使得灰分和重介分选主要工艺参数时间序列对齐,消除灰分和重介分选主要工艺参数之间的时间滞后。在Transformer模型的基础上,引入时间卷积网络(TCN)提取特征,并将单向编码器扩展为双向编码器,构建了TCNformer模型来实现精煤灰分多步预测。将时间序列对齐得到的与未来时刻灰分数据对应的过程变量序列作为解码器的输入,以提升模型预测精度。实验结果表明:该方法的平均绝对误差为0.1579%,均方根误差为0.2152%,平均皮尔逊相关系数为0.5051,能有效提升精煤灰分预测精度。

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

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GGInformer模型的多维时间序列特征提取与预测研究

随着大数据与物联网技术的迅猛发展,多维时间序列数据的应用范围变得更加广泛。面对大量的非线性、高维冗余特征的复杂时间序列,传统的时间序列分析方法已经不能很好地解决多维时间序列的复杂高维特征问题,从而导致预测效果欠佳。针对以上问题,通过对遗传算法和Informer模型进行改进,并融合GRU网络,提出了GGInformer模型。该模型不仅可以有效提取多维时间序列的关键特征,而且较好地解决了长程依赖问题。为了验证模型的预测能力,选取了2种实际数据集与3种公共基准数据集进行实验,相比较Informer基准模型,GGInformer模型在5种数据集上的MSE分别降低了22%,13%,20%,23%和38%。实验结果表明,GGInformer模型可以有效解决多维时间序列数据的复杂特征提取问题,并可以进一步提高时序预测能力。

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。

时间序列重构改进LSTM的大坝变形预测模型

大坝变形通常具有很强的波动性,传统方法往往不能很好地捕捉这种非线性关系,进而影响预测精度。为此,提出一种基于奇异值分解(SVD)和长短期记忆神经网络(LSTM)的大坝时序变形预测框架,旨在提升大坝变形的预测精度。首先,通过汉克尔矩阵的构建将原始变形序列分解为一系列较为规律的子序列;然后针对各分量建立相应的LSTM模型;最后将各模型的输出序列进行重构,从而得到最终的变形预测值。分析表明,SVD方法能够有效降低原始序列的非线性,同时,LSTM能够有效捕捉时间序列前后的非线性关系,得到令人满意的预测结果。与传统方法相比,SVD-LSTM的预测性能最优,为大坝安全系统的构建提供了新思路。

基于季节性时间序列模型的西藏那曲牧草生长预测研究

为了保护西藏生态环境,了解牧草相关的生长情况,使用NASA提供的16天合成MODIS数据,以归一化植被指数(NDVI)作为牧草的生长覆盖特征指标,预测NDVI就可以更好地评估牧草的生长情况,以那曲市的NDVI为例,利用ARIMA和SARIMA模型进行预测,结果显示SARIMA模型有着良好精度预测,能够更好地评估牧草地生长情况。

基于时间序列的土壤墒情预测影响因素研究

【目的】分析预测土壤墒情变化趋势,总结影响土壤墒情的因素,为土壤改良提供参考。【方法】通过对不同深度土壤墒情随时间呈现的动态变化进行研究,针对研究区的具体气象条件和土壤情况,应用时间序列模型和深度学习方法,探究BAG土壤墒情预测模型的预测性能。通过对土壤深度、数据和环境因子与预测模型的相关关系的分析,证明该模型的预测精度。【结果】1)深度与预测性能的关联:研究区内不同深度的土壤含水量预测误差的平均绝对值都较为平稳,均在1%以下,不同深度的土壤含水量不会直接影响BAG的预测性能。2)墒情数据对预测模型的影响:研究区内1095条、729条和364条数据作为输入数据进行预测,序列长度为364时,各个深度预测精度较好。3)环境因子对预测模型的影响:预测精度并不随着相关性的强弱而相应变化,阈值为0.3以上的环境因子预测精度最好。【结论】在一定的序列长度和环境因子数量下,BAG的预测性能较高。

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。

基于时间序列与CNN-GRU的滑坡位移预测模型研究

滑坡位移预测是滑坡预警的重要依据之一。针对以往预测模型在预测精度上存在的不足,提出了一种基于时间序列与卷积门控循环单元(CNN-GRU)的滑坡位移动态预测模型。首先,利用小波分析确定存在趋势项位移后,利用指数平滑法对累计位移分解得到趋势项与周期项位移,将趋势项采用五次多项式拟合;之后,采用自相关函数检验位移的周期特征,利用灰色关联法判断各因子与周期项之间的关联度,并将周期项与影响因子一起输入CNN-GRU模型进行预测;最终,叠加得到累计位移预测值。以三峡库区白水河滑坡为例,选取2004年1月至2012年12月数据进行研究,最终预测结果平均绝对误差百分比仅为0.525%,RMSE为9.614、R^(2)为0.993。试验结果表明,CNN-GRU具有更高的预测精度。

基于时间序列RBF的大连港货物吞吐量预测

引言大连港是我国东北地区主要的海上门户。随着我国振兴东北战略的实施推进,港口货运量也随之增多,对港口建设和运营提出了新标准,因此,为提高港口作业效率和增强竞争力,精准预测港口吞吐量对于港口规划、建设及运营至关重要。目前,用于港口吞吐量的预测方法众多,其中最主要是灰色预测法[1]、回归预测法[2]、时间序列法[3]及神经网络法[4]。灰色预测法,对于数据量少的系统,效果显著。回归预测法对数据量少的样本拟合效果好。神经网络法有较强的非线性映射能力和适应能力,但需要大量的数据训练。时间序列法对于呈线性分布的数据能较好挖掘其规律,但需要较多的样本数据。由于预测模型间各有优劣,因此本文提出时间序列法与神经网络法相结合的时间序列RBF预测模型组合模型[5-6],结合两种模型的优点,同时弥补各自的缺点,有一定的先进性,旨在为港口货物吞吐量预测提供新方法。