基于SARIMA-SVR模型的铁路货运量预测方法

鉴于铁路货运量受多种外部因素影响呈现显著的随机波动特征而难以准确预测,提出了SARIMA-SVR预测模型。首先,对全国铁路月度货运量序列进行季节时间序列(SARIMA)建模,得到模型的初始预测值及预测残差。其次,构建支持向量机(SVR)回归预测模型,将影响铁路货运量的外部因素作为模型输入项,SARIMA模型预测残差序列、月度货运量序列分别作为模型输出项,由此分别获得SARIMA模型预测残差的优化值以及SVR模型的货运量预测值。三是将优化后的SARIMA模型预测残差与其初始预测值相加,得到优化后的SARIMA模型预测值。四是再对优化后的SARIMA模型预测值和SVR模型预测值进行加权求和,得到SARIMA-SVR模型的预测结果。最后,对SARIMA-SVR模型进行消融实验验证模型有效性,并将该模型与经典预测模型进行测算精度对比。结果表明,SARIMA-SVR模型的预测精度优于单一模型和经典预测模型,在货运量预测方面具有良好的适用性。

基于SARIMA和SVR组合模型的转向架系统寿命评估

随着地铁运营时间和里程的增加,地铁车辆逐渐接近其理论寿命,为确保车辆运行安全性,需对其重要子系统进行健康状态及剩余寿命评估。文中选取车辆转向架系统作为研究对象,提出了一种基于协方差优选法的季节性回归移动平均(SARIMA)和支持向量回归(SVR)的组合模型对转向架寿命进行评估。首先,将车辆转向架系统历史故障率转化为健康指数,然后基于协方差优选法将SARIMA和SVR进行赋权组合,根据转向架系统历史健康指数进行预测,最后建立历史和预测的健康指数与运行时间的数学模型,分析得到转向架系统的剩余寿命。以某地铁车辆转向架系统为例进行算例分析及验证,结果表明组合模型可更准确地预测其健康状态,为有关维修部门开展维修维护策略提供理论依据,估计得出其剩余寿命,为车辆寿命后期退役及延寿决策提供理论数据分析支撑。

SARIMA-GRU组合模型的水位预测

相较于传统的单一模型,组合模型在一定条件下具有更优的预测精度。为验证组合模型是否有利于提高模型的预测精度,本文以长江中游支流澧水石龟山水电站的水位数据为基础,建立SARIMA模型和GRU神经网络模型,并将这两种模型基于方差倒数法和IOWA算子进行组合,最后比较单一模型和组合模型在该水位数据集上的预测精度差异。结果表明,适当的组合方式有利于提高模型预测精度,基于IOWA算子的组合模型具优良的预测性能。

基于SARIMA模型的五道沟地区0~320 cm土层季尺度地温预测研究

【目的】探讨五道沟地区地温季尺度变化趋势和突变特征,建立SARIMA地温预测模型。【方法】基于五道沟水文实验站1964—2022年长系列实测地温资料,采用线性回归、Sen’s斜率估计、MK检验等方法,开展0~320cm土层地温季尺度变化趋势和突变特征研究,建立不同土层深度(0~320cm)地温SARIMA预测模型。【结果】(1)春季、冬季0~160 cm土层地温呈显著上升趋势;夏季除0、10 cm土层外其他土层地温均有显著下降趋势;秋季0、20 cm土层地温具有显著上升趋势;320 cm土层地温在冬季具有显著下降趋势。(2)春季0、10、20、40、160 cm土层地温分别在2006、2013、2012、2015、2018年发生突变,突变后增温趋势显著;320 cm土层地温在1984年前后开始显著降低。(3)地温数据的预测值与实测值拟合优度均>0.95,不同土层地温预测模型均有较好的预测能力,且随土层深度增加预测精度提高,MAE随土层深度增加由1.666下降至0.390,RMSE随土层深度增加由2.139下降至0.525。【结论】SARIMA模型精度较高,可用于淮北平原地区地温模拟预测。

基于SARIMA-BP组合模型的家具订单需求量预测方法研究

对定制家具的生产需求进行精准预测,有助于家具企业进行有效的决策,包括提前制定生产计划、提前规划生产资源等,以期合理分配现有的生产资源并根据预测结果合理储备资源。本文以A企业家具的产品订单需求量为研究对象,分析其需求影响因素,在建立SARIMA模型及BP神经网络预测模型的基础上,建立SARIMABP组合算法的需求预测模型,并选用实际数据,验证所构建的需求预测模型的有效性,结果表明本文提出的预测模型与方法对企业精准预测订单需求量具有较大的应用价值。

2011-2020年乌鲁木齐市手足口病流行病学特征分析及SARIMA预测模型构建

目的分析2011-2020年乌鲁木齐市手足口病(HFMD)流行病学特征,构建SARIMA模型预测发病趋势,为完善防控举措提供依据。方法对2011-2020年乌鲁木齐市HFMD病例数据进行描述性流行病学特征分析,建立SARIMA模型。结果乌鲁木齐市2011-2020年HFMD年均发病率为68.60/10万,重症32例,死亡4例;2011-2019年呈隔年高发趋势,2018年发病率为近10年最高(105.69/10万),季节性明显,呈双峰流行。HFMD年均发病率最高的区县为经开区(头区),达到107.35/10万。男性年均发病率为80.55/10万,女性为56.12/10万,男女比为1.50∶1.00,2011-2019年男性发病率高于女性,差异有统计学意义(P<0.05),2020年男女发病率比较,差异无统计学意义(P>0.05)。发病最小年龄为1 d,最大为67岁,5岁以下儿童病例数占比最高(85.82%);主要为托幼和散居儿童。2011-2020年共检测HFMD标本7778份,阳性率为81.15%,以其他肠道病毒占比最高(46.28%)。SARIMA(1,0,0)(0,1,1)12模型为最优模型。结论乌鲁木齐市HFMD有周期性、季节性、性别、年龄差异,应持续做好监测,加强重点人群防控工作;SARIMA(1,0,0)(0,1,1)12模型拟合较好,与实际发病情况趋势一致,可用于预测乌鲁木齐市HFMD未来发病情况,对指导乌鲁木齐市HFMD防控存在一定理论价值;关注病原分布和变化情况,完善实验室病毒分型。

基于SARIMA-LSTM模型的肾综合征出血热发病率预测研究

目的/意义探究前沿技术在肾综合征出血热发病率预测中的应用,梳理、组合多种时序分析方法,评价并筛选最佳模型。方法/过程利用2004—2020年全国肾综合征出血热发病率数据,基于统计学方法的SARIMA、STL-ARIMA、TBATS模型,基于神经网络的NNAR、LSTM模型,基于3种加权方式的SARIMA-LSTM组合模型进行预测,运用RMSE、MAE、MAPE综合评价模型效果。结果/结论SARIMA、LSTM在单一模型中较优;SARIMA-LSTM组合模型效果相较单一模型均有提升;基于误差倒数法的SARIMA-LSTM组合模型为最优模型。本研究有望为肾综合征出血热发病预警系统模型设计提供技术支持与参考。

SARIMA模型在泰安市流行性腮腺炎发病预测中的应用

目的 构建流行性腮腺炎(流腮)发病数的季节性差分自回归移动平均(SARIMA)模型,并对泰安市流腮发病情况进行预测,为流腮防控依据。方法 流腮发病数据资料来源于中国疾病预防控制信息系统中监测报告管理系统,按照现住地址、发病日期收集2010年1月-2021年6月泰安市流腮发病数据资料。采用SPSS 21.0根据2010-2020年的数据建立最优SARIMA模型,利用该模型对2021年1-6月的流腮月发病数进行预测,评价模型的拟合效果,并对2021年7-12月流腮发病情况进行预测。结果 泰安市2010-2020年流腮月发病趋势具有一定的波动性,存在季节周期性特点。SARIMA(0,1,2)(1,1,0)_(12)模型为最优预测模型,该模型拟合度R~2=0.773,贝叶斯信息准则(BIC)值为7.162。Q=9.877,P>0.05,该模型残差为白噪声序列,所构建的模型较为合理。结论 SARIMA(0,1,2)(1,1,0)_(12)模型拟合效果较好,可用于泰安市流腮月发病趋势的短期预测。

基于SARIMA-LSTM组合模型的河南省快递业务量预测

基于时间序列理论建立SARIMA和SARIMA-LSTM组合模型,以求对河南省快递业务量发展趋势的精准预测。由于传统的时序模型在快递业务量预测中很难捕捉到数据序列中的非线性特征,因此研究提出了一种季节性差分回归移动平均模型(SARIMA)与长短期记忆网络(LSTM)相结合的组合预测模型。通过对这2种模型的预测结果进行对比分析,发现SARIMA-LSTM组合模型在对快递业务量变动趋势的预测上具有更高的准确性。

基于SARIMA-LSTM的区域用电消耗预测研究

针对季节性、节假日因素对区域用电消耗的影响,并为更好地管理和规划特定区域的电力供应提供有价值的见解。提出了一种混合模型,结合SARIMA和LSTM来预测区域用电消耗。提出的SARIMA-LSTM模型旨在捕捉电力消耗数据中的时间依赖性和季节性模式。利用历史用电数据,并采用SARIMA来捕捉线性依赖性,同时采用LSTM来捕捉非线性和长期依赖性,将两个方法的结果进行叠加,该混合模型使用特定区域的用电数据进行训练和评估。分别与SARIMA和LSTM单一模型相比,结果表明,SARIMA-LSTM模型在准确预测区域用电消耗方面优于单一的SARIMA和LSTM模型。

基于SARIMA模型的上海市中心城区共享单车需求预测

无桩式共享单车的出现与推广在减少碳排放的同时,带来了道路拥堵问题。如何高效、准确地进行交通流量预测已经成为人们关注的热点。利用2016年8月上海市中心城区摩拜共享单车数据,利用季节性差分自回归移动平均模型(Seasonal Autoregressive Integrated Moving Average Model,SARIMA模型)进行模拟和预测,再通过折线图的方式揭示共享单车需求量与时间之间的变化关系。研究发现,SARIMA(0,1,3)×(0,1,0)_(84)模型能够有效预测上海市中心城区共享单车的需求量。预测交通流量,可以缓解城市主干道的拥堵状况,提高市民的生活质量。同时,预测通勤需求可以平衡供需关系,为运营企业和用户提供更高效的服务,为政府规划提供决策依据。

基于SARIMA模型的短期天然气负荷区间预测

天然气负荷预测对居民生活、商业发展、工业生产等领域都起着决定性作用,且精确的短期负荷预测可以有效量化天然气负荷预测的不确定性,对于能源系统运行调度避险十分关键。天然气负荷由于受到季节的影响会出现巨峰特征,传统的点预测模型没有考虑到天然气的季节性影响,预测结果的准确性偏低。SARIMA模型可以处理具有季节性波动趋势和随机干扰的时间序列数据。因此,采用SARIMA模型对天然气负荷进行去日、季、周期性以及一阶差分的处理,捕获时间序列中的线性特征与季节性特征,依据赤池信息准则与网格搜索确定最优参数模型,按比例划分短期区间预测数值。以西安市天然气用量为例,与传统模型对比,结果表明采用SARIMA模型在序列强季节性区间内误差小,具有较高的准确性。

基于SARIMA模型的高校人工智能就业趋势研究

文章利用大数据相关技术,采用Nagao算法、单尺度Retinex(Single Scale Retinex,SSR)算法、季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型,对人工智能专业的就业趋势和供需关系进行分析和预测。研究表明,人工智能专业的就业形势较为乐观,未来几年将持续保持高速增长。同时,及时掌握人工智能专业的就业趋势和供需关系,提高毕业生的实践能力,加强对人工智能专业毕业生就业市场的研究,并深入挖掘人工智能技术的应用价值,以期为社会提供更多的高质量人工智能人才。

SARIMA-LSTM组合模型在铁路疫情短时客流的预测研究

针对新型冠状病毒肺炎疫情这类突发性公共卫生事件对铁路短时客流造成的巨大扰动问题,分析疫情下的春运周期性、季节性的非平稳时间序列日客流曲线,构建基于SARIMA-LSTM的组合模型。利用SARIMA模型进行线性部分预测,LSTM滚动优化模型进行非线性部分预测,将2个预测结果代入注意机制模块加权求和,引入GRU门控循环单元辅助验证。通过对实例研究分析,结果表明:SARIMA-LSTM组合模型的预测结果控制性好,准确率高,可为疫情突发事件短时客流数据集的预测提供理论依据。

龙门山断裂带发震时刻间隔的SARIMA模型分析预测

基于龙门山断裂带2012年1月—2021年9月M_(S)2.5及以上地震目录数据,按震级分组建立发震时刻间隔序列,然后对各序列进行平稳白噪声检验,自相关、偏相关性分析,使用SARIMA模型对其进行短、中、长周期拟合及预测。通过分析模型拟合效果,得到不同震级序列的最优模型参数及相应周期数值。其中,序列M_(S)≥2.5及序列M_(S)≥3.0各模型调整R2均在0.86以上,最高达0.911;两序列对应模型的短时预测表现良好,预测RM_(S)E分别为10.686及8.800。模型预测结果表明,龙门山断裂带后续发震时刻间隔总体趋势平稳,序列M_(S)≥3.0预测结果趋势有微弱增长,一段时间内龙门山断裂带M_(S)≥3.0地震发震次数将略微下降,地震活动性降低。该分析结果可为地震活动研究工作提供科学依据,其分析方法及过程为地震发震时间的分析预测提供了有效可行的途径。

基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型

针对当前犯罪预测模型无法捕捉到犯罪时序数据的复合特征且无法及时反应环境变化等问题,提出基于BP神经网络非线性组合的SARIMA-GRU犯罪预测模型。该模型将SARIMA和GRU对犯罪数量的预测结果通过BP网络实现非线性组合,采用反向传播算法进行权重学习,将各层神经元所确定的权重矩阵作为两种方法在组合预测中的比重,综合利用SARIMA模型在线性时序预测中的优势和GRU网络在非线性特征挖掘上的优势,从而获得更好的预测结果。通过温哥华和旧金山的真实犯罪数据对组合后的模型与其他模型进行对比实验,结果表明,基于BP神经网络非线性组合的SARIMA-GRU模型可以捕捉到犯罪时序数据的复合特征,与其他模型相比具有更高的准确率。

基于SARIMA-GARCH模型的黑龙江省快递业务量预测与应用

近年来,随着电子商务的不断发展,快递业务量持续快速增长,在终端配送领域出现了持续的高压工作状态.为了有效预测快递业务量的变化趋势,缓解配送领域压力,基于时间序列预测理论建立了SARIMA和SARIMA-GARCH时间序列预测模型,分别对黑龙江省快递业务量进行了分析与预测.2种模型预测结果对比表明,SARIMA-GARCH时间序列预测模型更能较为准确地预测快递业务量的变化趋势,黑龙江省快递业务量近2年间仍将不断增长.这一结果为黑龙江省快递业务量统计预测工作与缓解终端配送领域的高压工作状态提供了一定的参考.

基于MLP和SARIMA的青岛市AQI预报模型

为掌握青岛市空气质量变化特征,为空气质量管控提供参考,以2014—2021年青岛市空气质量指数月统计历史数据为基础,通过深度学习算法中的多层神经网络建立了AQI与PM_(2.5)等6个主要污染物的预报模型,对青岛市空气质量的影响因素进行研究,并基于SARIMA模型预测了各污染物的浓度值,结合污染物浓度预测值和预报模型对AQI值进行了预测。根据预测结果,给出了改善青岛市空气质量的建议。

SSA-SARIMA组合模型的桥梁健康状态预测

为了预测桥梁未来状态,考虑奇异谱分析(SSA)和季节性差分自回归滑动平均(SARIMA)模型的特点,提出将二者结合以实现优势互补。利用SSA提取数据中的趋势项、季节项及高频项;采用SSA和SARIMA模型对每项分别进行预测,以选出最优方案重组并验证该方法的有效性;最后,将该方法与SSA和SARIMA模型进行比较,结果表明SSA-SARIMA的组合模型对预测结果的精度有明显的提高。用该方法对实桥数据进行了处理分析,取得了较好的效果。

基于SARIMA模型的城市热岛季节性时序预测研究

针对目前出现的极端气候问题,本研究引入SARIMA季节性时序预测模型来预测城市热岛。首先利用单窗算法进行地表温度反演并进行精度验证;然后采用SARIMA模对地表温度进行拟合和未来温度变化预测。基于季节性差分自回归移动平均模型,结果表明SARIMA模型的城市热岛季节性时序拟合和预测效果具有较高的可靠性和准确性。