基于SARIMA-LSTM组合模型的油气集输系统能耗预测

油气集输是油田开发生产过程的重要阶段,准确预测油气集输系统能耗能够为生产调度和能源管控提供支持。为提高油气集输系统能耗预测的准确性,针对其线性和非线性特征,综合考虑数理统计和机器学习预测方法的优缺点,提出一种基于季节性差分自回归积分滑动平均(SARIMA)和长短期记忆(LSTM)神经网络的组合预测模型。根据S油田M环状掺水油气集输系统6年的运行数据,设计组合模型的网络结构,训练组合模型的网络参数。研究结果表明:与传统的SARIMA模型和LSTM神经网络相比,组合模型对三个能耗指标的预测准确性显著提高,可为企业调整生产运行方案和优化能源管控方案提供指导和数据支持。

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。

Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

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。

基于奇异谱分解和LSTM-ARIMA组合模型的生猪价格预测

针对生猪价格波动过于剧烈难以预测的问题,提出基于奇异谱分解的LSTM-ARIMA组合模型对生猪价格进行预测。以2000年1月-2021年12月的月度价格数据作为样本,利用奇异谱分析对生猪价格数据进行分解,得到趋势项和波动项,选用累计贡献率达前70%的构建趋势项,剩下的30%构造波动项。趋势项非平稳且具有长记忆性,对其建立LSTM模型;波动项平稳,对其建立ARIMA模型,最后将两部分预测结果重组作为生猪价格的预测值,构建LSTM-ARIMA组合预测模型。将预测值和生猪真实价格进行对比,结果表明:预测值与真实值之间的均方根误差RMSE为2.75,平均绝对百分比误差MAPE为10.81%,平均绝对误差MAE为2.27,方向对称性DS为81.81;此组合模型能很好地预测生猪价格走势,对我国生猪价格预测具有更高地适用性与参考。

基于ARIMA-LSTM组合模型的工业生产车间粉尘浓度预测

在工业生产环境中,精确预测车间内的粉尘浓度对于确保工作场所的安全和产品质量至关重要,而该环境下单一的预测模型往往难以捕捉所有关键的数据特征。为了提高预测精度,该研究通过ARIMA模型提取数据的线性特征,使用LSTM模型拟合预测残差中的非线性特征,构建基于ARIMA-LSTM的组合预测模型。该模型采用均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评估指标。基于某厂生产车间的粉尘浓度时间序列数据进行实验评估,结果表明该模型的MSE、MAE和MAPE分别为0.74、0.66和3.29%,预测精度均优于单一的ARIMA模型,验证了模型的有效性和可靠性。

基于SARIMA-LSTM模型的季度GDP预测

国内生产总值作为国民经济核算的核心指标,被广泛用于衡量一个国家或地区的经济状况和发展水平。准确预测国内生产总值能够为政府提供决策及宏观调控的可靠依据。本文选取国家季度生产总值作为分析对象,以非线性组合的方式构造基于残差修正的SARIMA-LSTM组合模型,结合SARIMA的线性拟合能力和LSTM的非线性映射能力,并引入相关经济指标修正预测结果,通过与多个基准模型进行比较,验证本文提出的组合模型在预测能力上的优势。研究发现,本文提出的组合模型在长期和短期预测方面都表现出色,能够更准确地捕捉GDP序列的非线性变化和不确定性,同时,具有更强的泛化能力。

基于ARFIMA-LSTM组合模型的光伏发电功率预测

光伏发电作为一种绿色清洁能源,与“双碳”目标的实现紧密相连。预测光伏发电功率可以帮助优化电力系统的调度和运行,提高能源利用效率。为此,学界和工业界从时间序列、人工智能等多方面对光伏功率预测进行了研究。引入自回归分数移动平均(autoregressive fractionally integrated moving average,ARFIMA)模型和长短期记忆(long shortˉterm memory,LSTM)模型进行建模和预测,并基于最小二乘法赋权,构建出组合模型。实验结果表明,该组合模型在中长期光伏发电功率预测中取得了较好的效果,与ARFIMA模型相比其均方误差降低了48.7%,而与LSTM模型相比其均方误差降低了21.5%,可作为一种有效的光伏功率预测模型在实际中应用。

基于SARIMA和神经网络组合模型的GDP预测

国内生产总值(GDP)不仅体现了国家经济的运行状态,更是政府制定和执行经济政策的重要参考依据。研究选取2005年第2季度到2022年第4季度的GDP数据,分别建立了GDP的SARIMA预测模型、SARIMA-BP神经网络组合预测模型和SARIMA-LSTM神经网络组合预测模型,通过对平均绝对误差的对比,发现SARIMA-LSTM模型预测精度最优。该模型可为我国的经济发展研究提供决策依据和理论参考。

基于GRA-LSTM与SARIMA组合模型的季节性时间序列预测

针对LSTM模型对季节性时间序列中的周期、趋势性变化不敏感的特点,提出将SARIMA模型与LSTM模型进行组合,以提高模型预测精度。该方法首先构建了以关键影响因素为非线性输入层和历史数据为线性输入层的多对一LSTM模型,将经过GRA法筛选的关键影响因素及历史数据输入到该模型中得到初步预测结果,使用SARIMA模型依据历史数据对季节性时间序列进行预测,提取预测结果中单位节点的比例序列,以实现对时间序列中周期、趋势信息的抽取,最后根据SARIMA模型中提取的单位节点比例对LSTM得到的初步预测结果进行修正,得到最终预测结果。实验选取某市民航春运客流量数据对组合模型精度进行验证,通过与支持向量机、GRA法、GRA-LSTM模型、SARIMA模型4种单模型进行比较,验证了组合模型对于季节性时间序列预测的优越性。

基于车流量数据的SARIMA和LSTM组合模型的比较研究

针对同时具有周期性、长记忆性等多种特征的车流量数据,单一地SARIMA或LSTM模型往往拟合效果不理想,而其组合模型可以弥补单一模型的不足。结合线性和非线性预测方法,文中分别建立了三个SARIMA-LSTM组合模型,随后,对车流量数据进行了预测分析,通过与SARIMA、LSTM两种单模型拟合效果的比较分析表明:1)对含周期性和长记忆性的数据,组合模型的预测效果更优;2)基于MA滤波方法的组合模型三比其他两种方法在提升模型预测精度上表现更好。

地铁进站客流量SARIMA与GA-BP神经网络组合预测模型

为提高地铁进站客流量预测精度,提出一种基于SARIMA模型和GA-BP神经网络的客流量组合预测模型,通过已有客流相关数据构建预测客流量的SARIMA模型和GA-BP神经网络模型作为组合模型的子模型,再利用拟合SARIMA模型的最大季节回归多项式个数确定组合模型因变量个数,之后结合季节周期和子模型的预测值确定组合模型的因变量,并基于子模型预测值的平均绝对百分比误差(MAPE)确定组合模型的因变量权重,最后进行实例验证。结果表明:当预测个数为5个时,组合预测模型的MAPE为3.11%,介于子模型之间但优于传统的线性组合模型;当预测个数为10个时其MAPE为5.13%,优于所有对比模型。

基于LSTM和CatBoost组合模型的短期负荷预测

针对现有的电力系统短期负荷预测方法存在预测精度较差的问题,提出一种基于长短期记忆神经网络(Long short term memory,LSTM)和CatBoost组合的短期负荷预测方法,针对电力负荷数据具有时序性和非线性的特点,以及长短期记忆网络不能直接处理类别型特征,对处理后的电力负荷数据建立LSTM负荷预测模型和CatBoost负荷预测模型;用方差倒数法确定加权系数,得到LSTM和CatBoost组合模型的预测值;最后使用实际负荷数据对算法有效性进行验证,预测结果表明采用LSTM和CatBoost组合模型的方法在负荷预测精度上有显著的提高。

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.

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VMD与组合模型的大气污染物浓度预测方法

为提高大气污染物浓度的预测准确性,提出一种基于变分模态分解与组合模型的预测方法。首先通过变分模态分解将目标监测点的历史污染物浓度数据重构为多变量时序数据,根据区域内监测点之间的地理关系构建时空序列数据;然后将处理好的数据输入LSTM与ConvLSTM的组合模型中,同时提取时间与空间特征并输出预测结果。针对武汉市PM2.5、SO2、NO23种污染物历史浓度数据进行实验,所提预测方法在MAE、RMSE和MAPE3个指标上均表现最佳,明显优于其他模型。此外,在时间尺度增加的情况下,该方法相较其他模型仍保持最高的预测精度。该方法能够充分捕捉局部特征,在综合考虑时间与空间特征方面具备显著优势,为大气污染物浓度的准确预测提供了一种可行途径。

基于SARIMA-SVR组合模型的空气质量指数预测

空气质量指数(AQI)在波动中既具有整体的时间序列线性特征和明显的季节性波动周期,又具有多种因素影响的不确定性,为了提高AQI的预测精度,基于Ri3863.3.3和Matlab R2014a两种编程软件,提出了一种同时具有线性和非线性的复合特征的时间序列预测模型——SARIMA-SVR组合模型。以太原市2014年1月—2019年7月的AQI月均值数据为基础,利用SARIMA时间序列模型进行线性预测,利用SVR模型对残差进行非线性预测,加和得到组合预测模型的预测结果,分析比较SARIMA,SVR和SARIMA-SVR这3种模型的预测结果和平均绝对百分比误差。结果表明,组合预测模型发挥了2种模型各自的优势,相较于单一预测模型的预测结果而言,其预测精度更高,稳定性更好。通过此模型得到的空气质量预测结果不仅可为人们的日常生活提供指导,而且可为大气污染的防治工作提供科学依据和借鉴意义。

基于LSTM与XGBoost组合模型的超短期电力负荷预测

为进一步提高电力负荷预测精度,提出了基于LSTM(longshorttermmemorynetwork,LSTM)和XGBoost(eXtremegradientboosting)的组合预测模型。针对电力负荷数据,首先建立了LSTM预测模型和XGBoost预测模型,然后使用误差倒数法将LSTM与XGBoost组合起来进行预测。采用2016年电工数学建模竞赛的电力负荷数据进行算例分析,结果表明所构建的LSTM和XGBoost组合预测模型的MAPE(mean absolute percentage error)为0.57%,明显低于单一预测模型。将上述方法与GRU(gated recurrent unit)和XGBoost两者组合的预测模型相比较,结果表明所提出的方法具有更高的超短期电力负荷预测精度。

基于ARIMA-LSTM混合模型对传染病的预测分析

传染病一直是科学研究的热点,利用科学的方法控制传染病的传播对整个国家乃至全世界具有举足轻重的作用。文章选取乙类传染病中新型冠状病毒感染数据作为研究对象,搜集了北京市2022年1月至2022年4月新冠感染累计确诊病例数,构成时间序列,基于自回归移动平均模型(ARIMA)和长短期记忆神经网络(LSTM)的混合模型进行预测分析。结果表明,混合模型的预测结果与实际情况基本一致。