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。

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。

基于改进Prophet算法的碳排放量预测方法

为了响应“十四五”纲要提出的碳达峰碳中和要求,企业需要有效地控制自身碳排放量,如何基于历史碳排放时序变化特征进一步对未来碳排放趋势进行预估对于企业的双碳规划与减碳工作有着至关重要的作用。本文尝试使用基于改进Prophet的预测模型对时间序列的碳排放数据进行预测,在数据预处理后,先使用Prophet算法进行预训练,将所有时间段内的残差放入LSTM神经网络进行残差的预测,再将预测获得的残差与Prophet原预测值相加,得到改进后的预测值。通过该值与原预测值的对比,能够发现该改进模型相较于原本的Prophet和LSTM模型在预测准确度(基于平均绝对误差指标度量)上分别有12%和82%的提升。

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算法的电力物资需求预测方法研究

面对传统的电力物资需求分析存在着预测分析实际效果差、实用性弱等难题,为解决该问题,文中主要研究基于Prophet算法的电力物资需求预测方法,用于分析每类物资历史数据的规律,致力于完善电力物资的需求预测。Prophet算法理论具有十分强大的预测功能,Prophet算法的原理是对各种时间序列特征进行分析,将处理后的有效数据拟合并进行短期预测,可以动态记录和分析不同层面的电力物资数据信息,同时擅长处理具有大异常值和趋势变化的日常周期数据。实验表明,基于Prophet算法的电力物资需求预测方法具备预测精确度高、实用性好等优势,可以科学地提高电力物资供应管理效益。

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.

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dtw-prophet算法的模型在服务器分区使用率性能数据预测中的应用

服务器是计算机的一种,它比普通计算机运行更快、负载更高、价格更贵。服务器在网络中为其他客户机提供计算或者应用服务。在运行过程中,服务器各项性能指标能够很好地反馈其运行状态、使用场景。因此,对服务器性能数据的研究能够很好地分析服务器的工况、潜在风险,提前规避进而提升服务器的稳定性、可靠性。传统的服务器分区使用率预测主要包括lstm、arima、svm、prophet、三次平滑等模型,而本文构建的dtw-prophet模型,将prophet算法作为基础,使用dtw算法对数据的不同周期进行最优化求解,从而寻找prophet的最优季节项周期。结果表明,该模型对时序序列数据有较强的适应力,对时序数据的预测效果较佳。该模型在数据处理、模型构建方向提出了新的思路,提升了自身的适应力、稳定性。

基于深度学习的核武器数量预测

核武器是指利用能自身持有进行的原子核裂变或聚变反应瞬时释放的巨大的能量,产生爆炸作用,并具有大规模毁伤破坏效应的武器。核武器的出现改变了传统战争的规模和样式,对人类和地球上生物的生存和发展产生了深远的影响。为了维护国家安全和世界和平,准确预测世界各国核武器数量以评估各国军事力量是十分必要的。核武器数量的变化是多因素影响的结果,变化趋势复杂,难以预测。对此,提出一种基于双向LSTM网络的核武器数量预测模型。实验选择了中国、法国、俄罗斯、英国、美国和以色列六个国家1938年至2023年核武器数据作为研究对象,对原始数据进行预处理和相关性分析,构建了双向LSTM模型进行拟合预测,利用可视化技术分析预测结果,调节参数并进一步优化模型。实验选择R2、MAE和RMSE作为评估指标,分别为:0.8635、14.4188和17.7144。结果表明,双向LSTM模型预测结果优于Prophet模型,这证明了所构建的双向LSTM模型的有效性。

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。

基于社会性的DTN网络路由算法研究

针对DTN网络中的消息传输问题,结合概率路由算法PROPHET和社会性路由算法SimBet的基本思想,提出一种DTN网络路由算法——ProSimbet。在选择转发节点时,综合考虑基于历史相遇记录的概率估计和节点的社会性这2个指标,从而降低消息转发次数。实验结果表明,在密集数据集INFOCOM06上,ProSimBet、SimBet、PROPHET和ER这4种路由算法的消息成功转发数目比较接近。在稀疏数据集MIT上,ProSimBet在消息转发次数上比SimBet降低26.1%,在消息成功转发数目上比PROPHET提高7.83%。

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。

机会网络中考虑缓存的路由算法

机会网络是一种通过节点移动建立通信链路的无线自组织网络,一般通过消息复制的路由策略传递信息。但该方式将导致链路中存在大量消息副本,对节点缓存形成巨大压力,造成网络拥塞。针对该情况,结合Prophet算法,充分考虑节点缓存对链路状态及传输概率的影响,设计限制消息最大副本数量与及时删除节点缓存中不必要数据包的缓存管理机制,同时在Prophet算法中考虑了缓存比因素。仿真结果表明,该算法可以有效提高消息投递率,降低网络消耗。

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。

基于应变监测数据预测值的藏式古建筑木结构健康状态评估

为增加藏式古建筑木结构的安全冗余度,该文提出了短期应变监测数据预测方法,以此对藏式古建筑木结构健康状态进行预判性评估。以回廊结构为对象,利用Sobel算子与卷积神经网络方法处理传感器带来的多种数据异常。通过多项式回归和功率谱密度的方法确定应变监测数据组分。引入变分模态分解法对数据进行解耦,以Prophet算法预测短期温度监测应变,以Gumbel极值理论预测不同重现期下的人群监测应变。以不同重现期下的应变监测数据预测值的叠加结果确定需重点关注的结构位置和需立即修缮的结构位置,以满足藏式古建木构的预防性保护要求和最小扰动原则。

一种基于节点能量的机会网络概率路由算法

在机会网络中,节点之间可能不存在端到端的路径.为了节省网络中节点消耗的能量,在概率路由算法的基础上提出了一种基于节点能量的概率路由算法(Energy-based Probabilistic Routing Protocol using History of Encounters and Transitivity,EBPROPHET).首先,计算两个节点相遇时节点的通信开销,然后相遇节点的剩余能量作为一个参量引入算法,选择节点剩余能量多的节点作为转发节点,最后,进行消息的转发.仿真表明,EB-PROPHET算法具有良好的路由性能,降低了整个网络的能量消耗,延长了网络的生存周期.

考虑细分行业及多影响因素的月度电量预测

从细分行业的电量数据出发,通过挖掘不同的行业用电规律以及引入气温、春节影响因素,实现特大都市地区月度电量的精准预测。首先,利用数形相似性距离,将各细分行业划分为电量周期性行业与电量非周期性行业;其次,通过k-means算法按照用电特性相似度对电量周期性行业进行聚类,得到不同用电规律的各类行业;接着,分析气温指标与各行业类别电量的相关性,在与气温指标相关程度较大的行业类别电量预测中加入气温协变量;然后,采用Prophet算法对各行业类别电量建立预测模型;最后,对1、2月份的预测结果针对春节效应提供联合修正方法。采用南方某市的用电量数据作算例分析,考虑细分行业后预测精度提升2.63百分点,整体平均预测准确率达到97.71%。算例分析结果表明,所建立的考虑细分行业及多影响因素的月度电量预测框架能够挖掘各行业类别的用电规律,捕捉地区产业转移和升级特点,并有效引入多影响因素指标,进而提高特大都市地区月度电量预测的准确度。