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。

基于SARIMA‑LSTM模型的航空旅客运输市场需求分析与预测

市场需求预测是航空公司开展生产活动的前提,科学合理的预测结果能为航空公司降低成本、提高效益。首先,选取影响航空旅客运输市场需求的因素,并对其进行相关性分析;其次,采用季节性差分自回归移动平均(SARIMA)模型和长短期记忆(LSTM)网络模型,对航空旅客运输市场需求量进行特征分析,构建了基于SARIMA模型、LSTM网络模型的组合预测(SARIMA⁃LSTM)模型,提高市场需求时间序列预测的精度;最后,以北京市航空运输市场为例,分析结果显示,SARIMA⁃LSTM组合模型的预测准确性高于单一模型,对于市场需求的预测准确率较高。

基于DWT-SARIMA-LSTM的流感预测模型研究

为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频成分与低频成分,对低频成分使用SARIMA模型、高频成分使用LSTM模型分别进行预测;其次,将预测值融合得到最终的预测结果;最后,构建流行控制图预警模型。使用从中国香港卫生署官网获得的中国香港地区2010—2019年的流感数据对模型进行预测和验证,其MAE为0.3427,MAPE为8.0973%,RMSE为0.4632,预警模型的准确率为100%,该模型较于如ARIMA-LSTM等其他混合模型有更高的预测精度。

基于SARIMA预警模型的水位监测效果分析与研究

为了提高城市水位监测的准确性及洪涝等灾害的预警能力,提出基于季节性自回归积分滑动平均(Seasonal auto-regressive integral moving average, SARIMA)模型的水位监测预警模型。该模型综合了自回归模型、移动平均模型和季节性差分模型,适用于分析和预测具有季节性和非平稳特征的时间序列数据。结果显示,基于SARIMA预警模型的水位监测系统,对城市周边的水位监测拟合效果较好,可对城市周边水位进行有效监测,提高应对城市内涝灾害的预警效果。

融合SARIMA与BiLSTM的水利设施形变预测

水利设施形变预测可以有效地判断水利设施的运行状态。水利设施安全监测数据是时间序列数据,既有趋势性又有季节性。为了获得更准确的预测结果,文中提出一种基于季节自回归差分移动平均(SARIMA)模型和双向长短时记忆(BiLSTM)网络的预测模型,以解决无法充分挖掘数据中正向与反向的关联进行预测的问题。该模型采用SARIMA模型预测变形数据中的线性分量,采用BiLSTM模型预测变形数据中的非线性分量,使得模型能够更好地提取历史数据中的非线性关系以及正向与反向关系从而提高预测准确度。结合某水电站4#引水涵洞监测数据,使用SARIMA-BiLSTM模型对裂缝计开合度时间序列进行了预测,并与反向传播神经网络模型、SARIMA模型和SARIMA-LSTM模型的预测结果进行对比,比对结果证明所提方法有效地提高了预测精度。

基于SARIMA‑LSTM组合的机场起降量短时预测方法

机场起降量短时预测方法是根据空中交通流量管理需求,对机场未来24小时时间跨度内起降量情况进行预测。首先,构建了基于季节性差分自回归移动平均(SARIMA)和长短期记忆神经网络(LSTM)的机场起降量预测模型;然后,根据误差倒数法确定组合预测权重以期得到更好的预测效果;最后,使用天津滨海机场进行实例验证,以机场起降量的小时数据建立了SARIMA(0,1,7)×(0,1,1)_(24)和LSTM模型,并分别以0.600和0.400的权重建立了组合预测模型。验证结果显示,组合模型的预测指标R2达到0.904,较反向传播(BP)神经网络等其他单一模型预测性能更佳。

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。

ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

基于SARIMA模型和条件植被温度指数的干旱预测

基于时间序列遥感数据反演的条件植被温度指数(VTCI)干旱监测结果,应用季节性求和自回归移动平均模型(SARIMA)对关中平原进行了分区域干旱预测建模,得到了2009年4月上旬至5月下旬每旬1步、2步和3步共18旬的预测结果,并分析了预测精度。结果表明,SARIMA模型的预测精度随着预测步数的增加而降低,6旬1步预测结果的绝对误差频数分布基本是单峰分布,主要分布在-0.2到0.2之间;6旬2步预测结果的绝对误差频数分布出现双峰分布,3步预测结果绝对误差分布分散,且误差变大。通过分析干旱的时空分布规律,发现关中平原地区干旱具有较明显的区域特征,且1步预测和2步预测结果的干旱时空分布与监测结果较吻合,3步预测结果的不确定性较大,由此得出SARIMA模型适用于关中平原VTCI 1～2步预测研究的结论。

SARIMA模型在长沙市肺结核发病预测中的应用

目的探讨SARIMA模型在肺结核发病预测中的适用性,为长沙市肺结核防控提供参考。方法利用2005年1月-2016年12月长沙市肺结核月发病数构建SARIMA模型,以2017年1-12月的月发病数评价模型的预测效果,并采用构建的最优模型对2018年长沙市肺结核月发病情况进行预测。结果长沙市肺结核月发病数具有明显的季节性特征,最优预测模型为SARIMA(0,1,1)(0,1,1)12,其AIC=1436. 703,模型残差为白噪声(χ~2=0. 119,P=0. 731)。该模型的预测值与实际值的平均绝对百分误差为21. 69%,预测效果较为可靠。预计2018年长沙市肺结核的月平均发病数为332. 34例,发病水平与2017年接近,但总体略有下降。结论 SARIMA(0,1,1)(0,1,1)_(12)拟合效果较好,可用于长沙市肺结核月发病数的短期预测。

SARIMA模型在长治市肺结核预测中的应用

目的应用时间序列季节自回归求和滑动平均(SARIMA)模型探讨长治市肺结核的发病规律,为防控肺结核发生提供依据。方法收集长治市2010年1月至2017年12月肺结核逐月发病数,应用Eviews3.1对2010年1月至2017年6月肺结核发病数建立SARIMA模型;利用所建SARIMA模型对2017年7月至12月肺结核发病数进行预测,并与实际值对比来评价模型预测效果。利用模型预测长治市2018年1到12月肺结核发病数。结果建立模型SARIMA(2,1,0)×(1,0,1)12,表达式为(1-B)(1+0.657B+0.279B^2)(1-0.906B^12)y_1=(1-0.885B^12)ε_1,y_1=ln(x_1),其中ε_1~WN(0,0,1272),该模型是预测长治市肺结核发病人数的合适模型,2017年7月至12月预测值平均相对误差为5.96%。结论建立了时间序列模型SARIMA(2,1,0)×(1,0,1)12来总结长治市肺结核的发病规律,并有效预测肺结核发病人数。

地下水位埋深的SARIMA与BP神经网络组合模型预测分析

根据西安市291监测井2000—2008年逐月地下水位埋深资料,分别采用SARIMA模型、BP神经网络模型及组合模型建模预测。结果表明,组合模型发挥了SARIMA模型良好的线性拟合能力与BP神经网络模型强大的非线性映射能力,其预测准确率高于单一模型的准确率,在地下水位埋深预测中将有较好的应用发展前景。

出血性脑卒中发病的日节律及SARIMA模型的定量预测

目的了解出血性脑卒中（HS）发病的日分布规律，构建时序预测模型，为HS的一级预防提供参考。方法人选3个研究单位2017年6月1至30日诊治的895例HS患者，统计昼夜发病的时间点，应用季节乘积模型（SARIMA）建模。结果各时段的发病例数不等或不全等，P〈0．05，北京时间8：00-11：00时段发病243例（占27．15％），18：00-21：00时段发病297例（占33．18％）。通过识别与检验，逐一尝试法建立了SARIMA（1，0，1）×（1，1，1）。模型，该模型较准确地预测了历史数据。结论北京时间8：00—11：00时和18：00一21：00时为HS的高发时段，SARIMA（1，0，1）×（1，1，1）24模型为HS发病日分布趋势提供了较好的预测，可作为HS防治措施的重要参考依据。

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。

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归(ridge regression,RR)解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了有效的预测模型。

基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法

针对短期商业电力负荷预测准确性与周期难以满足现有电力现货市场的问题,提出了一种基于SARIMAGRNN-SVM(seasonal autoregressive integrated moving average-generalized regression neural network-support vector machine)的商业电力负荷组合预测模型。首先,对商业电力负荷变化的周期规律与随机因素的复杂影响进行了分析;然后,结合以上分析,选用SARIMA和GRNN为单一预测模型对商业电力负荷进行预测,并利用SVM进行组合,实现日前商业电力负荷预测;最后,通过某商业综合体的电力负荷数据进行验证。所提组合预测模型较单一预测模型拥有更优的预测精度与鲁棒性,可以为短期商业电力负荷预测提供借鉴。

基于SARIMA模型的某省三级医院骨折住院患者量预测分析

目的建立骨折住院患者量的预测模型,探索骨折住院患者量的季节变动规律及未来趋势,以合理安排资源、提高医疗工作效率。方法收集山西省汾阳医院2017年6月至2022年3月骨折住院患者的临床资料,应用R 3.5.2软件进行时间序列分析和季节性自回归移动平均(SARIMA)模型的建模拟合,并用其对住院患者量进行定量预测和验证。结果共纳入2563例患者,平均年龄53.43岁,男、女之间的年龄分布差异有统计学意义(t=-17.798,P<0.001)。分月记录骨折住院患者量,时间序列分析提示住院患者量每年有2个高峰期,即5月和8月。使用2018年1月至2021年7月的训练集数据建立SARIMA(0,0,1)(1,0,0)12模型(白噪声检验,P=0.806),对2021年8月至2022年3月的预测集数据进行短期预测,RMSE=0.24,MAPE=149.61,预测值与实际值的相对误差范围在1.81%~8.60%。结论SARIMA模型拟合骨折住院患者量变化趋势较佳,可为医院或专业科室管理者提供决策依据,同时也可为骨折防治措施的制定提供参考。

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。

北京市东城区2009—2019年蝇类生态学监测结果分析及其预测方法探讨

目的 掌握北京市东城区2009—2019年蝇种类、密度、分布及其季节消长规律,探讨基于生态学监测的蝇类密度预测方法,为东城区蝇类预测与科学防控提供依据。方法 收集整理东城区2009—2019年蝇类生态学监测数据并进行分析;利用MATLAB R2018b软件构建的季节性差分自回归移动平均模型(SARIMA)对2019年4—10月的蝇类密度进行预测并与实际监测值进行比较,验证模型预测效果。结果 2009—2019年东城区各生态学监测点蝇类年平均密度为7.09只/笼,优势蝇种为麻蝇科,占捕获蝇总数的56.82%,占比超过5%以上的蝇种类依次为厩腐蝇(11.74%)、家蝇(10.17%)、丝光绿蝇(8.99%)和大头金蝇(6.93%);不同生境中,宾馆饭店蝇类密度最高,为11.86只/笼,餐饮外环境最低,为2.20只/笼,麻蝇科在不同生境中均为优势种群;蝇类密度高峰主要出现在7月和8月。基于历史生态学监测数据构建的最优模型SARIMA(0,1,4)(2,1,3)12预测2019年4—10月的蝇类密度与实际密度基本一致,实际监测值均落在预测值95%置信区间内,模型评价指标均方根误差(RMSE)和平均绝对误差(MAE)分别为1.379和1.014,预测效果较好。结论 2009—2019年北京市东城区以麻蝇科为优势种群,宾馆饭店是蝇类防控的重点场所,活动高峰主要出现在7—8月;通过对SARIMA模型效果评价,该方法可用于蝇类密度短期变化趋势预测。

基于水电储能调节的风光水发电联合优化调度策略

为缓解新能源装机容量扩大引起的弃风弃光现象,在已有梯级水电上下电站之间加入储能泵站,提出风光水储短期优化调度策略。构建以风光水储系统负荷跟踪误差最小、梯级水电站发电量最大和梯级水电站发电耗水量最小的多目标优化调度模型;提出基于季节性自回归移动平均(seasonal auto-regressive lntegrated moving average, SARIMA)模型和Copula函数的风光出力预测模型作为优化调度模型的边界条件,通过SARIMA预测模型将风光出力历史数据分解为季节性分量、趋势分量以及随机噪声余项进行全天96个调度时段风光出力预测,并叠加上基于Copula函数生成风光出力预测误差,然后通过拉丁超立方采样以及K-means聚类进行场景生成和缩减得到5个风光出力场景。选取风光典型日出力数据为例进行算例分析,算例结果表明:所提预测模型较SARIMA模型可以显著提高预测准确度,模型预测风光出力均方根误差从33.34、229.49 MW分别下降至0.697、9.534 MW;所提优化调度策略可以在全年丰、平、枯水期有效减少弃风弃光现象,并可将过剩新能源中的50%转化为上级水库储存水能。