基于SARIMA模型的电离层总电子含量短期预报

针对电离层总电子含量(total electron content,TEC)序列呈现周期性特征,采用季节时间序列(seasonal ARIMA,SARIMA)模型对TEC序列进行预报分析。利用JSCORS 2010年的GPS双频观测数据计算的VTEC序列为样本数据建立模型,实验结果表明:VTEC序列建立合适的季节ARIMA模型,并运用该模型进行短期预测,预测值与实测值变化趋势一致,短期预报的平均相对精度可达89%,但预报精度会随预报长度的增加而减小。     

利用人工智能神经网络预测广州市PM2.5日浓度

利用差分整合移动平均自回归模型(ARIMA)、后向传播神经网络(BP)以及长短期记忆神经网络(LSTM), 对广州市2015—2019年的PM_2.5浓度数据进行训练和预报, 研究集合经验模态(EEMD)分解和时间分辨率对不同模型预报准确性的影响。结果表明, EEMD分解可以显著地提升低频分量的预报效果; 提高输入数据的时间分辨率可以提升预报效果, 尤其在ARIMA自回归模型预报中较为明显, 用神经网络进行预报时需要考虑输入数据量增加带来模型复杂度增加的问题。由于模型使用前一天(t -1)的PM_2.5作为输入数据, 即只能预报t+1天的PM_2.5值。为增加模型的预报时效, 采用滚动预报的方式对模型进行优化, 能够显著地提升预报时效, 实现对t+n天的连续预报, 且预报误差与后报结果相当。将时间精度为6 h的数据作为输入, 用ARIMA模型进行预报的效果最好, 最小MAE值为6.478。     

GPS技术在芦山大地震前后电离层异常扰动研究中的应用

基于IGS提供的GIM数据,将四分位法引入到分析电离层电子含量数据中去,对芦山Ms7.0地震前后各十天的垂直总电子含量(VTEC)利用IGS和JPL分析中心的电子含量数据进行分析。发现4月16—20日出现明显的VTEC负异常现象。在排除磁暴等电离层异常扰动的影响因素后,认为电离层的异常变化极有可能是地震发生的前兆信息。     

基于BDS/GPS双系统的全球电离层建模

借助当前比较完善的GPS系统,建立基于BDS/GPS双系统的全球电离层模型,是克服BDS单系统建模弊端,提高全球电离层模型和硬件延迟(DCB)监测精度的一种有效途径.本文分析了基于BDS/GPS双系统的电离层模型所能达到的精度,以及GPS观测对DCB监测的辅助作用.文中选用了太阳活动峰年2013年2月11日–2014年1月13日336天的BDS/GPS双系统观测资料,利用15×15阶球谐函数模型建立了全球电离层模型(GIM/SHA),并利用IGS最终电离层产品(GIM/IGS)、双频实测VTEC和海洋测高数据对该双系统模型的电离层产品进行了全面的精度评估.结果表明:(1)通过与三种基准数据比对,GIM/SHA的外符合精度在3–6 tecu范围内,且系统性偏差较小;(2)GPS卫星P1P2频点DCB与IGS最终产品结果比较BIAS在0.1 ns内,RMS最大不超过0.2 ns;(3)通过比较BDS单系统与双系统生成的卫星和接收机B1B2频点DCB发现,两种方法解算的DCB均值差别为0.01–0.227 ns,双系统解算BDS卫星DCB稳定性稍优于单系统结果,但是GPS观测资料的加入能够明显地提高接收机DCB的稳定性;从14颗BDS在轨卫星B1B2频点DCB长期稳定性统计可见,各卫星DCB长期稳定性为0.2–0.3ns,其中GEO卫星稳定性水平稍差.     

太阳风暴期间的北斗电离层建模优化

北斗卫星导航系统发播地理坐标系下8参数Klobuchar电离层模型提供给单频用户使用,且采用实时观测数据每2 h更新一次模型参数.太阳风暴会造成电离层严重扰动,可能对电离层模型预报精度带来严重影响.本文针对北斗系统电离层模型参数特点,在分析相邻两天周期项参数对改正精度影响的基础上,设计了基于历史周期项参数的模型解算方法,首先利用前一天24 h观测数据解算的余弦周期项参数作为当天模型周期项参数,然后利用当天累积数据,采用最小二乘方法解算余弦幅值项参数.该方法固定对电离层模型精度影响较小的周期项参数,实现利用较短时段太阳风暴期间电离层穿刺点观测数据拟合电离层模型振幅参数,从而达到太阳风暴期间电离层模型改正精度显著提升.采用北斗实测电离层数据,分析比较北斗发播模型结果和基于历史周期项参数模型结果的预报精度,结果表明:太阳风暴期间,北斗系统发播模型结果因受前一天观测数据影响,预报精度大幅降低,电离层负暴期间中国区域平均预报精度比常态降低达40%,而基于历史周期项参数的模型结果在太阳风暴期间的预报精度均与平静期间精度相当,平均预报精度优于70%.     

乘积ARIMA模型的建立及应用

ARIMA模型作为统计预测中的一种重要模型,被广泛运用于各个领域中。本文在非季节性及季节性ARIMA模型的基础上介绍了乘积ARIMA模型的一般表达式,提供了建立这类模型及使用其进行预报的一般过程,并以某超市月顾客量数据进行了实例分析。分析结果表明,当一时间序列不仅含有季节性成分,还混有非季节性成分时,用乘积ARIMA模型的预测精度较高。但该模型只适用于短期预测。     

一种基于经验模态分解的时间序列预测方法

针对来源于实际问题的时间序列非线性、非平稳、多尺度复合的特点建立了一种基于经验模态分解(EMD)的ARIMA时间序列预测模型,即EMD-ARIMA模型.首先,借助经验模态分解将时间序列分解为多个不同时间尺度的内在模函数和一个趋势项,并确定每个内在模函数的季节性趋势;其次,对每个内在模函数使用季节性ARIMA模型进行预测,对趋势项使用趋势移动平均模型进行预测;最后,将所有内在模函数和趋势项的预测结果进行复合得到原时间序列的预测结果.数值实验结果表明,EMD-ARIMA方法能够揭示真实时间序列内在的多尺度复合特征和季节性变化规律;与经典的ARIMA模型和人工神经网络(ANN)模型相比,EMD-ARIMA模型明显提高了预测精度,因而是一种可靠的非线性、非平稳时间序列预测方法.     

基于ARIMA模型的大坝滑坡体表面位移监测分析预报

大坝滑坡体变形监测是水电站施工建设和分期蓄水阶段安全性的重要保障,监测数据分析和处理的方法又会直接影响到变形预报的质量。以某水电站坝址下游滑坡体为例,应用时间序列分析法中的ARIMA模型,构建非平稳时间序列模型对表面监测数据进行分析处理,比较模型预测数据与实际位移数据之间的差异。试验表明,ARIMA模型在滑坡体表面位移分析和预报方面具有较高的精度和可靠性。     

电离层TEC的混沌特性分析及预报

利用海口、广州、满洲里、兰州、北京和乌鲁木齐2003年的电离层电子浓度总含量(TEC)数据讨论了电离层TEC的混沌特性及其预报.采用自相关法确定延迟时间τ,综合Cao算法和饱和关联维法(G-P算法)的结果确定嵌入维数m.结果表明:当τ=2,m=6时,可对电离层TEC进行相空间重构,且重构后轨迹的李雅普诺夫指数均为正,应证电离层TEC具有混沌特性.在此基础上采用相空间重构和支持向量机相结合的方法对以上6个站点2003年的电离层TEC数据进行预报,将得到的结果同常用的加权一阶局域法与自适应预报进行比较,发现其预报效果最佳,预报的平均相对精度相对于加权局域法均提高10%以上,最大提升了31.1%;预报的相对精度大于95%的占50%以上,而自适应预报只有25%左右.     

民航客运量的ARIMA模型与预测

介绍了求和自回归移动平均(ARIMA)模型的一般表达方式,并提供了使用该模型进行建模和预报的一般过程,最后以某条航线的实测数据为例,进行实证分析,得到了8步的短期预报结果,其相对误差为0．08．     

ARIMA乘积季节模型对我国消费者信心指数的分析

消费者信心指数能够预测消费支出,对某些宏观经济指标也有较好的预测效果。本文运用Eviews6.0软件对2006.01—2011.12我国消费者心指数的统计数据建立ARIMA乘积季节模型。结果表明该模型适合预测我国的消费者信心指数而且预测精度较高,但只适合短期预测。     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

利用GPS观测值反演电离层总电子含量的时空变化

为了便于电离层总电子含量时空变化的研究,利用区域电离层模型获得了GPS系统硬件延迟,从而进一步获取了绝对电离层总电子含量值.利用北京IGS站的GPS观测数据分别计算了2000年至2004年各个不同季节的总电子含量,经比较发现,电离层总电子含量表现出明显的季节性变化.利用中国地壳观测网络25个测站的观测数据计算发现,电离层总电子含量空间变化幅度大,在低纬度地区总电子含量值相对较大,而在中纬度地区相对较小.     

变风量空调系统新风量的实时预测

在多区域变风量（Variable Air Volume，VAV）空调系统的新风控制中，现行的控制方案不可避免地遇到困难，使用预测的方法来实施前馈控制，对可能出现的扰动提前作出补偿将有可能改善目前多区域VAV空调系统的新风控制问题，ARIMA模型可以较准确地预测非稳态随机过程的时间序列，以季节性ARIMA模型为预测模型，在利用CO2浓度检测室内人数的基础上，对一大楼中各区域的新风要求进行了预测，结果表明，季节性的ARIMA模型可以很好地满足空调系统新风预测的要求。     

基于时间序列分解与全连接神经网络的警情长周期时间序列预测

传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。