基于GWO-Prophet的商品销售预测研究

零售企业的各项经营活动都离不开商品的销售情况,对商品的销售预测为企业制定生产计划与经营决策等活动提供重要的依据。针对企业销售额预测中销售额时间序列受外界条件影响大,预测精度低等问题,论文提出了一种基于GWO-Prophet的商品销售预测方法。基于某零售企业2015年-2018年销售额数据,通过Prophet模型将高维的销售额数据分别构建对应趋势项、季节项、节假日项、残差项的低维时序特征分量,分别用这些低维特征分量进行拟合后通过加法模型累加来预测未来一年的销售额数据;通过灰狼寻优算法(GWO)对Prophet模型参数进行智能寻优,防止模型陷入局部最优从而提高模型的精确度,通过灰狼寻优算法优化后的Prophet模型能更好地拟合突变点,季节项,节假日项等外界因素对销售额的影响。以MAE、MAPE和RMSE作为模型评估的指标,结果表明,基于GWO-Prophet模型的预测精度不仅优于单一的Prophet模型,还优于其他如ARIMA、SARIMA、LSTM对比模型。

基于Prophet算法和Blending集成学习的实时负荷中期预测

目前的中期负荷预测一般未考虑负荷实时状态,而负荷数据的非线性、季节性、随机性、时序性特征将影响实时负荷的中期预测。构建一个实时负荷中期预测的框架,采用Prophet算法提取负荷数据的季节性部分,采用Blending集成学习对负荷数据的非季节部分进行滚动预测,将季节性部分和非季节性部分合成中期负荷实时数据。爱尔兰电力系统的算例结果验证了模型的有效性和稳定性。

预测动车组牵引系统故障率的TSOBP-ARIMA-Prophet组合模型

针对单一模型预测故障率时的适用性差异问题,在考虑动车组牵引系统故障率数据特点的基础上,提出TSOBP-ARIMA-Prophet组合模型。首先,针对动车组牵引系统故障率的复杂非线性,引入金枪鱼群算法(TSO)优化BP模型,训练出TSOBP预测模型;其次,针对故障率的非平稳波动性,选取ARIMA预测模型;然后,针对故障率的季节周期性,选取Prophet预测模型;最后,运用方差倒数法对3个模型的预测结果赋权,得到TSOBP-ARIMA-Prophet组合模型的预测结果。以某动车组牵引系统为例,采用该组合模型预测故障率,并与3个单一模型及TSOBP-ARIMA组合模型对比验证其预测能力。结果表明:该组合模型预测时均方误差为0.0752,较TSOBP,ARIMA和Prophet模型单独预测时分别降低了45.83%,61.65%和53.42%,预测精度显著提高,且较TSOBP-ARIMA组合模型对数据趋势的感知力更优,可有效提升对动车组牵引系统故障率的预测能力。

基于WPA-Prophet模型的区域用电量预测

为了获得精度更高的用电量预测模型,采用狼群算法对Prophet模型的关键参数进行寻优,构建基于WPA优化Prophet的用电量预测模型。实验数据为澳大利亚维多利亚州2015—2019年五年的日用电量,使用前四年作为测试集,最后一年验证预测结果的准确性,预测结果的评价指标采用均方根误差和平均绝对百分比误差。实验结果表明,通过WPA优化后的Prophet模型预测精度得到了有效提升,为提升区域用电量预测精度提供了参考。

基于Prophet算法的超级电容器模组寿命预估方法

超级电容器(Supercapacitor)是一种高能量密度、高功率密度、长寿命的电池替代品,常用于储能和放电。超级电容器的寿命是指其在正常使用条件下的使用寿命,通常受多种因素影响,本文通过采集超级电容器模组寿命数据,建立基于Prophet算法的预估模型,通过Prophet算法处理超级电容器模组寿命数据,最终得到寿命预估结果并进行预估实验,保证预估结果的准确性,以期确定超级电容器模组的寿命分布、寿命规律,便于更好地对其进行维护和管理。

基于K-means与Prophet混合模型的工业用户节电潜力研究

大型耗能工业用户在生产过程中用电量大,具有丰富的节电空间,目前亟需对相关用户的电力负荷开展特性分析及用电成本研究。以某地区重要的耗能工业用户为研究对象,基于K-means聚类算法、Prophet负荷预测和数据可视化理论,结合该地区用户负荷数据作为算例验证,开展用户负荷特性分析及预测研究,并深度挖掘不同行业用户的节电空间潜力。

机会网络中考虑缓存的ProPhet路由算法

机会网络中的ProPhet等路由算法根据机会网络中节点的相遇频率进行节点之间消息的传递,不考虑节点每次相遇的持续时间以及节点中缓存剩余情况。在机会网络内部节点之间的移动速度很快的情况下,采用这些路由算法会使网络内数据的传输效率急剧下降。针对这一不足,结合ProPhet路由算法,计算节点之间的传输概率时充分考虑节点的相遇持续时间以及剩余缓存对节点之间传输概率的影响,使节点之间能更有效地传输数据。仿真结果表明,在给定的移动模型下,该算法能够有效提高消息传递成功率,降低网络中能量消耗等开销。

基于IOWA算子的空气质量组合预测

对空气质量指数进行预测,反映数据波动的趋势与规律,提出基于诱导有序加权平均(IOWA)算子的Prophet-EEMD-XGBoost模型。首先利用Prophet算法将数据分解为趋势项、季节项、节假日、误差项;然后集合经验模态分解EEMD将原始数据分为9项IMF以及残余分量。最后,利用XGBoost模型对各分量分别进行预测,预测结果利用MAE、MAPE、RMSE、RMSPE进行评价。结果表明,相较于一些单预测模型与其他组合预测模型,基于IOWA算子的Prophet-EEMD-XGBoost组合预测模型有更好的预测效果。

基于Prophet的生姜价格预测研究

针对农产品价格波动的非线性特征明显、传统时间序列预测方法预测精度不高等状况,构建基于Prophet的农产品价格预测模型,并以生姜为例展开研究。选取2012—2018年生姜每周平均价格数据为研究对象,在对生姜价格的趋势周期分解基础上,通过对生姜价格序列分解的趋势项、周期项和随机项分别进行建模组合实现对2019年上半年生姜价格的预测,并利用统计分析方法对模型性能进行评估。试验结果表明,Prophet算法预测结果的平均相对误差为4%。将Prophet模型的预测结果和BP神经网络预测结果进行比较,其均方误差(MSE为0.20)小于BP神经网络预测结果的均方误差(MSE为0.37)。Prophet预测模型具有较高的预测精度,在农产品价格预测方面具有较广阔的应用前景。

机会网络的RSSI-PROPHET路由算法研究

针对机会型网络提出一种改进的机会网络路由算法RSSI-PROPHET。该算法结合节点接触频率和接收信号强度指示值RSS(IReceived Signal Strength Indication)信息进行设计,并加入一种消息到达通告机制来抑制已达消息副本的扩散。算法不需额外设备支持,不依赖于既存的网络拓扑。仿真结果表明,该算法明显减小了设备缓存空间的消耗,提高了系统效率。

基于PROPHET路由算法的缓冲区管理

DTN网络一般采用基于消息复制的随机路由策略,由于网络中存在大量的消息副本,因此会导致中间节点缓冲区占用大,出现拥塞。为此,从冗余控制角度出发,基于PROPHET路由算法,设计用于缓冲区管理的3种机制,包括消息副本数量的控制、数据包生存期的动态设置以及已成功传输数据包的主动删除。通过限制消息副本数和删除多余消息,降低网络中消息副本总量,从而减轻节点负载。实验结果表明,在网络资源有限的情况下,上述3种机制能提高消息的成功传输率,降低网络开销。

基于Prophet算法的海南近海波浪长时段时序分析与预测

近年来,以大数据为基础的人工智能算法逐步兴起并被用于海洋波浪短期预测。本文采用2015-2019年海南近海逐时波浪实测时序数据,基于Prophet算法建立了海南近海波浪长时段时序预测模型,分析了2015-2019年海南近海波浪日、月、年变化特性,并对海南近海2020年波浪变化过程进行了预测。结果显示,Prophet算法模型对波浪波高和周期的预测值和实测值整体吻合良好,可有效用于长时段波浪的特性分析和时序预测。

基于历史数据的蔬菜类商品定价与补货决策模型

深入探讨了蔬菜类商品的定价与补货策略,首先,对蔬菜流水数据处理缺失值和异常值,从中汇总各单品或品类的销量数据;随后,引入Prophet模型处理销量,拆分出销售额数据的趋势、季节和节假日成分,并将销售价格作为外生变量,确定品类销售额与成本加成比率之间的关联;最后,将模拟退火算法、遗传算法同Prophet模型相结合,迭代求解最优定价和补货策略.此外,本文还将库存空间、储藏时间等因素纳入考虑,并提出了动态规划模型作为补货和定价模型的补充.

基于Prophet算法的铁路客流量预测研究

客流量预测是铁路部门了解日常客运流量和冷热门线路具体情况的基础,是制定运输方案和列车开行计划的重要依据。针对铁路客流量变化受到季节周期、突发事件和节假日等因素影响的现象,提出一种基于Prophet时间序列算法的铁路客流量预测研究的新方法。实验选取了某铁路客运专线2015年至2016年的日客流量数据,经过预处理的客流量数据进行标准化得到客流量时间序列;构建节假日特征时间窗口列表和设置趋势的突变点,结合Prophet算法对节假日特征和突变点进行计算,并依此建立Prophet预测模型;利用可视化技术分析预测结果,调节参数进一步优化模型。重点结合节假日效应对未来两周客流量进行了预测分析。结果表明,Prophet模型预测结果精确度高于LSTM模型,所建立的模型预测结果是合理和可靠的。

基于Prophet时序算法的无线网络突变小区识别方法研究

KPI作为衡量无线网络质量的重要指标,准确及时检测KPI指标突变情况非常重要。提出了一种基于Prophet时序算法的无线网络突变小区识别方法,利用模型的预测指标得到动态门限,并在动态门限和绝对门限之间设置相对门限,通过实际指标与不同门限的对比,使运维人员更精准地掌握网络性能,降低误报和错报异常,提升网络优化效率和质量。

基于Prophet-LSTM-PSO组合模型的医院住院量预测研究

针对医院住院量预测问题,首先利用先知模型(Prophet)与长短期记忆循环神经网络(LSTM)预测方法对2015年1月到2019年12月上海市东方医院呼吸内科住院量的时序数据进行建模分析,然后利用粒子群算法(PSO)求出两种模型对应的组合系数,从而得到最终的Prophet-LSTMPSO组合模型,并通过RMSE和MAE统计学指标将组合模型与单一模型进行对比,同时利用公开数据集进行对比实验。结果表明,Prophet-LSTM-PSO组合模型较Prophet、LSTM、移动平均自回归模型等(ARIMA)等单一模型有效地降低了医院住院量预测的偏离性,提高了预测精度。

基于Prophet算法的快销服装销售预测

准确的销售预测可以帮助企业制定正确的营销策略以减小企业在经营过程的损失。由于快销服装行业的特殊性,产品生命周期通常较短且销售受诸多非线性因素影响,传统的销售预测模型精准度往往差强人意。论文基于Prophet算法的基础上,优化时间序列分解的各因式项,结合电商平台历年的销售数据,依据产品生命周期特性构建模型,结果表明,改进后的Prophet算法模型预测准确性高于传统模型,且耗时有所降低。

基于Prophet算法的武陵山片区天气预报与异常检测

针对武陵山片区天气特点,提出了一种基于Prophet的预测算法,该算法将时间序列数据分解为趋势项、周期性变化项和突出事件项,根据加法原则进行拟合预报和异常检测.实验结果表明,与传统自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)时序预测算法相比,Prophet算法在时序性、周期性数据的中长期预测中具有明显优势.基于Prophet算法在武陵山片区天气数据的预报和异常检测研究,不仅能为地方政府及时准确地进行天气预报提供技术支撑,还有助于当地民众提前安排生产、生活,减少不必要的损失.

基于Prophet人工智能算法的网络潮汐效应预测研究

本文使用Prophet人工智能算法研究与预测移动通信网络“潮汐效应”现象,探索网络“潮汐效应”在优化网络资源配置实现网络降本增效的作用。Prophet人工智能算法是一种简单有效且易于实现的人工智能算法。本文通过Facebook的人工智能开源框架fbprophet,研究4G网络PRB利用率等网络资源指标的“潮汐效应”,并预测这些网络资源指标在未来的变化趋势,用来指导当前4G网络减容、扩容和4G/5G节电节能等,实现优化网络资源配置达到降本增效的目的。

面向PM_(2.5)预测的时间序列分解与机器学习融合模型

细颗粒物(PM_(2.5))对大气污染和人体健康具有显著影响。为了提高PM_(2.5)质量浓度预报准确率,提出一种将先知(Prophet)时间序列分解算法和极限梯度提升树(Extreme Gradient Boosting,XGBoost)机器学习模型相结合的多变量混合预测模型(Prophet-XGBoost)。利用Prophet算法对时间序列可分解的特性,将PM_(2.5)高维质量浓度序列分解成若干低维时序特征分量,并与污染物和气象因素数据集成构建XGBoost预测模型,以得到PM_(2.5)质量浓度的预测值。试验中以南京市PM_(2.5)质量浓度历史数据为例进行实证分析。结果表明,结合Prophet时间序列分解的预测模型,PM_(2.5)质量浓度预测结果的决定系数R^(2)提升至0.658 4。由此可见,Prophet-XGBoost多变量混合预测模型较传统长短期记忆神经网络(Long Short-Term Memory,LSTM)、XGBoost模型能够更好地预测PM_(2.5)日均质量浓度的变化趋势。