微震预警冲击地压的时间序列方法

基于工作面微震事件释能规律的统计分析,研究了微震能量随时间推移而变化的趋势,认为高能量微震事件是冲击地压发生的必要条件。以大同忻州窑煤矿为例,采用时间序列模型中的ARIMA季节性模型和门限自回归模型分别对未来微震事件释放能量进行预测,比较了两种方法的优缺点及适用条件;构建了微震能量方差变化的特征函数,基于此特征函数提出了冲击危险模式的识别方法。研究表明:周期性较为明显的高能量微震事件,ARIMA季节性模型能有效地预测未来微震释能趋势,而门限自回归模型适用于预测高能微震周期性非显著的释能趋势;微震能量方差变化特征函数判别准则能够对冲击地压进行有效预警。

基于遗传算法的SVM-AR改进模型与应用

为提升河流流量的预测精度,将支持向量机与AR进行耦合,并构造三核混合核函数的流量预测支持向量机模型。以渭河流域的月径流量为例,首先,通过时间序列分析,将渭河流域的径流序列划分为趋势序列、季节序列和随机波动序列,然后利用AR模型构造适用于支持向量机算法的数据集,并将数据集按4∶1划分为训练集和检验集;其次,利用线性组合构造由多项式核函数、径向基核函数与Sigmoid核函数构成的三核混合核函数,在训练集上,采用遗传算法确定相关参数,随后在检验集上进行预测。结果表明:遗传算法确定参数会带来较大的不确定性,导致结果差异较大,从而着重讨论遗传算法带来的参数不确定性;通过函数构造与统计分析,给出三核混合核函数参数选择的一般性方法与流程,并进行验证,该参数选取方法能够降低遗传算法的不确定性,得到精度较高的流量预测结果,预测流量与实际流量的均方误差从150左右降低到130左右。

基于时间序列分析的装备可用度预测方法

阐述了装备可用度预测的重要性,并以此为需求牵引,构建了具有非线性、非平稳的装备可用度时间序列。基于奇异值分解滤波算法,将原始序列分解为趋势成分和随机成分,分别应用粒子群训练的径向基神经网络模型和函数系数自回归模型进行组合预测,充分体现了2类模型的各自的优势。实例分析,验证了模型和算法的有效性。实验与应用结果表明,该组合方法的预测性能和效果比单一使用RBF和FAR进行预测更好。

一种新的统计预测模型——多项式系数自回归模型

传统的自回归滑动平均模型(ARMA)和新近出现的函数系数自回归模型(FAR)不能满足非线性时间序列预测分析的准确度与运算速度要求,为了改进预测性能,研究提出了一种新的统计预测模型——多项式系数自回归模型(PCAR)。给出了PCAR模型的表示形式,详细探讨了PCAR模型的参数估计和阶次选择方法,在此基础上又提出了基于BIC准则的建模算法。同AR-MA模型相比,PCAR模型扩大了适用对象范围,有效降低了模型选择误差;同FAR模型相比,它具有参数模型的特点,避免了系数函数局部线性回归估计所存在的不足;分析了PCAR模型与ARMA、FAR模型的等价条件。通过实验分析得出了PCAR模型较ARMA、FAR模型的单步预测准确度分别提高了99.65%和18.7%的结论,而且PCAR建模运算所需时间仅为FAR模型的0.2%。

基于KPCA-ARIMA算法的瓦斯涌出量预测

为提高瓦斯涌出量预测精度,提出将核主成分分析与自回归积分滑动平均模型相结合的算法.将瓦斯涌出量表示为时间序列,用差分法对获取的数据进行平稳化预处理,用核主成分分析法对影响瓦斯涌出量的原始数据进行降维,对降维后的数据进行瓦斯涌出量特征提取,建立自回归积分滑动平均瓦斯涌出量的预测模型.利用自相关函数和偏自相关函数对模型参数进行优化,综合得到d阶差分结果、自回归系数p、滑动平均阶数q.为验证方法的有效性,对优化后的瓦斯涌出量预测模型进行实验验证,将预测结果与三阶指数平滑、BPNN、GM(1,1)模型进行对比,结果表明:该模型的平均绝对误差、平均相对误差、均方误差均小于其他模型,提出的瓦斯涌出量预测方法具有更高的预测准确度.

函数系数自回归模型推广形式的Back-Fitting估计

文章针对时间序列中函数系数自回归模型给出其推广形式,借助向后拟合的思想介绍推广形式中函数系数部分和参数部分的估计,该方法可以得到模型中的常值系数估计量的精确表达式;并通过一个数值模拟表明所提出的估计方法具有可行性和稳定性。

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．

面向个性化车身产品客户动态需求获取与预测的扩展QFD研究

提出基于成分数据时间序列与向量自回归模型的扩展质量功能展开方法,在车身产品开发的初期,捕捉并预测客户的个性化需求。基于层次分析方法,建立传统的质量功能展开模型;根据客户需求重要度取样所形成的时间序列特点,将单纯形空间内的成分数据转换为实域内的时间序列,并对其应用向量自回归模型进行预测;将有效的样本外预测序列转换为客户需求重要度预测时间序列,计算出设计属性的预测优先度,以指导个性化车身产品开发过程中的资源分配。

滑动平均过程阶的估计

本文根据滑动平均过程相关函数的截尾性质,利用假设检验,给出了一个估计滑动平均过程阶的方法。

基于EMD的矿井涌水量ARMA预测模型

为实现矿井涌水量有效预测,挖掘矿井涌水量历史监测数据与实际物理机制间的关系,提高预测精度,依据矿井涌水量历史监测数据,利用经验模态分解方法得到的几个分量,分别建立自回归移动平均预测模型进行预测,并利用贝叶斯信息准则及预测误差评估预测模型,针对非平稳分量进行差分化处理使其趋于平稳后建立ARMA预测模型进行预测,从理论上得到矿井涌水量预测结果.结果表明:随EMD模型分解数目增大所得的各分量平稳性越好,不同尺度的数据变化情况越明显;建立ARMA模型时可忽略原始数据的非平稳性检验;分别依据分量2与分量累加建立的ARMA预测模型的预测误差相差不大.

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。

基于泛函序列时变自回归滑动平均模型的弹箭时变模态参数递推估计方法

随着弹簧系统朝着大型化、高速化、智能化发展,飞行状态下弹箭系统的固有特性对整体结构的影响不可忽视。针对弹箭在飞行状态下的时变模态参数辨识问题进行研究,基于泛函序列时变自回归滑动平均(FS-TARMA)模型,提出一种时变模态参数的递推估计方法。该方法采用墨西哥帽小波基作为TARMA模型时变系数的空间基底,并借鉴于无结构化TARMA模型递推估计思想,将投影参数矩阵视为振动响应数据长度的变量,实现了投影参数矩阵的递推估计。通过有限单元法建立阿里安V号芯级运载火箭时变有限元模型,对所提方法进行验证。结果表明:递推辨识方法与传统批量算法相比,在辨识精度上,3阶模态频率辨识结果最大相对误差在5%以内;在计算效率上,递推辨识方法的计算时间缩短了9.38倍。

平稳自回归模型的系数估计与应用

在自然科学及经济学的很多领域,需对以往记录的数据进行时序分析,确定出随机模型,然后对未来可能出现的结果进行预报。AR(n,0)是适应范围较广的一类模型,使用时必须由样本对参数作出估计。文中对AR(n,0)模型的参数估计公式进行推导,并用一个实例给出AR(3,0)模型在预报问题中的应用。