基于AR＿CLSTM的多元时间序列预测分析（英文）

时间序列是一种广泛应用于电量预测、汇率预测、太阳能发电量预测等各种领域的数据,预测其变化具有重要的意义。与LSTM相结合的编码器-解码器被广泛应用于多元时间序列预测。由于编码器只能将信息编码成固定长度的向量,因此模型的性能随着输入序列或输出序列长度的增加而迅速下降。为此,提出了基于编解码结构与线性回归的组合模型(AR_CLSTM),该模型使用基于时间步的注意力机制使解码器能够自适应选择过去的隐藏状态并提取有用的信息,并利用卷积的结构学习多元时间序列不同维度之间的内在联系,同时结合了传统的线性自回归方法来学习时间序列的线性关系,从而实现在编解码结构上进一步降低时间序列预测的误差,改善多元时间序列的预测效果。实验结果表明,AR_CLSTM模型在不同的时间序列预测上表现良好,其均方根误差、均方误差、平均绝对误差均下降显著。     

递进自回归预测方法

提出递进自回归预测方法,其中包括递进自回归模型、递进自回归滑动平均模型、递进时变自回归模型、递进时变自回归滑动平均模型、递进回归一自回归模型。建立时间序列的递进预测公式,给出其最佳无偏预测,并推导出递进均方误差计算公式和高置信水平的递进预测区间估计。该方法是以逐步线性形式表示的一种非线性预测,既具有线性预测的简单性,又具有非线性预测精度高的特点。它不但可用于平稳时间序列预测,而且还可用于非平稳时间序列预测、确定性时间序列预测和小样本预测。此外,文中还给出时问序列线性组合及乘积的预测方法。并通过加权累加、倒数变换等方法,对观测值进行映射变换,使其呈现出更强的规律性,以进一步提高预测精度。     

生产计划与调度中的次年产量预测方法

针对生产计划与调度中次年产量预测误差较大的问题,提出一种基于动态改进多元线性回归模型的次年产量预测方法.多元线性回归模型将生产管理过程中的制造资源、人力投入、制造工艺、产品报废等生产全周期的影响因素作为建模变量,即将影响次年产量的相关因素尽可能多地包含在预测模型中,从而使模型的预测结果更接近实际产量.运用后推法,将建立的初始多元线性回归模型进行显著性辨别,剔除了对次年产量影响不显著的变量,建立了产量预测的改进多元线性回归模型,在此基础上进一步建立了动态改进多元线性回归模型.将该方法运用到某航空制造企业的次年产量预测中,通过对比模型预测产量和实际产量,证明了该模型在次年产量预测方面的实用性.     

基于偏最小二乘的数控机床热误差稳健建模算法

建立预测模型对热误差进行预测和补偿是解决机床热误差问题的常用方法,该方法中模型的预测精度和稳健性易受环境温度影响而明显下降,对此本文提出了基于偏最小二乘法的热误差稳健建模算法。首先使用相关系数法筛选温度敏感点,并建立热误差偏最小二乘回归预测模型。进而基于全年环境温度下的多批次热误差实验数据,分析最佳的温度敏感点个数。最后建立热误差偏最小二乘回归模型,并与普通多元线性回归模型的预测效果比对分析。结果表明本文所提算法平均预测精度为5.7μm,模型稳健性为0.56μm,相较于普通多元线性回归算法,预测精度和稳健性分别提高13.8%和49.5%。说明本文所提的热误差稳健建模算法能够在环境温度变化较大时保持高预测精度和高稳健性。     

基于高斯回归分析的高温合金刀具磨损在线预测方法

目前的高温合金刀具磨损在线预测方法预测时间过长,预测误差较大.为了解决上述问题,基于高斯回归分析方法建立了一种新的高温合金刀具磨损在线预测方法,设立高斯回归模型,分析切削力和刀具磨损时间序列数据,对数据进行划分,列出线性数据和非线性数据.引入平滑度理论对建立的高斯回归模型进行优化,借助构建的高斯回归模型计算刀具刀面的最...     

优化神经网络用电量预测性能的多元线性回归方法

电网电能难以储存,其准确预测可用于指导发电计划,是电力系统运行的基础。针对用电量预测中需求波动幅度大与需求变动趋势不确定的特点,基于已有的用电数据,运用多元线性回归预测与时间序号、月度、日期、小时等因素直接相关的用电量趋势,实现用电量的宏观量级控制。其次,采用不同神经网络预测实际值与趋势值之间的偏移量,推演用电量的微观波动规律,进一步推算预测用电量。算例证明,融合多元线性回归和神经网络的预测方法减小了总体预测误差,其预测精度高于没有多元线性回归处理的神经网络。     

基于informer的永磁同步电机参数辨识

永磁同步电机(PMSM)因其优秀的性能在工业领域有广泛的应用,其控制精度受电机的各种参数影响。随着近几年深度学习的大热,选用了一种基于Informer的辨识方法,并且与现有主流的预测模型LSTM,GRU,SAE进行对比。Informer是由编码器(Encoder)和解码器(Decoder)构成,编码器主要由自注意力蒸馏组成,编码器结构与Transformer编码器结构相同。LSTM能有效地缓解RNN模型在处理远距离输入和输出时的相关性逐渐减弱问题,使得远距离节点的参数能够更好地进行学习。GRU比LSTM具有更简单的结构,GRU的更新门合并了LSTM的遗忘门和输入门,使得模型更易于训练和调整。SAE中以通过多层的编码器和解码器结构,学习输入数据的多维特征。每一层的编码器可以捕捉输入数据的不同层次的抽象特征,有助于拟合复杂的非线性函数。数据集来源于2000次的Simulink仿真,总共2000条序列。通过多次实验,Informer预测d轴电感L_d和q轴电感L_q的准确率分别达到了91.6%和97.3%,此外,在MAE、MSE和RMSE这三个评价指标...     

基于LSTM的化肥价格指数预测

化肥作为重要的农资产品,其市场价格受到原料价格、汇率政策、供给等多方面的因素调控,化肥价格的波动对国民经济有着重大的影响。因此,化肥价格准确地预测能将其对农业乃至国民经济的影响降至最低。提出基于长短时记忆(LSTM)单元的循环神经网络(RNN)模型,它能有效地利用序列数据长距离依赖的信息,被广泛地应用于时间序列信息的预测中。考虑多因素对化肥价格的影响,结合近年化肥交易价格的走势数据,对数据进行回归拟合,生成训练模型,然后将得出的模型用于化肥交易价格进行预测,最终在数据集上测试误差(MSE)为0.000 549 3,取得了良好的预测效果。     

异方差回归与自回归模型

建立时间序列异方差回归和预测模型,将现行的误差项方差相同、均值为零的回归分析推广到误差项方差变化且均值不为零的情况,解决了实际中常见的异方差以及由于自变量不能充分解释因变量而引起的误差项均值不为零的问题。针对误差项相关且均值、方差都变化的情况,文中还进一步建立异方差回归-自回归模型,将误差项为传统平稳序列(均值和方差为常数)的回归-自回归模型推广到误差项为相关系数平稳序列(均值和方差变化)的情况,给出回归-CCAR(P)模型和回归-CCARMA(p,q)模型的参数估计方法,提出异方差回归-自回归预测模型。该模型能充分发挥回归和自回归各自的优点,对时问序列进行高精度的分析和预测,可广泛用于自动控制、结构响应分析、故障诊断以及经济和商业预测等。     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

预测控制的预报误差校正法研究

基于时间序列方法对模型误差过程建立模型，用递推最小二乘法估计模型误差过程的参数，由最小方差预报原理给出模型误差的预报，在上原理的基础上，对误差预报校正器进行了设计，并在动态知控制（DMC）中，用预报误差校正代替一般的误差校正，经过系统仿真比较，可以看出误差预后和误差预报校正的结果令人满意。     

基于时间序列预测的跨组织资源链监控

建立了以时间、成本、服务能力、信誉度综合最优的监控模型,并利用改进的粒子群算法优化支持向量机参数对监控模型进行时间序列预测,当监控模型的实际值与预测值在规定的误差范围内时,该资源服务是正常运行的。最后通过一个算例进行监控预测研究,以均方根误差(RMSE)作为评价监控模型的预测精度,研究结果及分析对比表明,该方法有效、可行。     

基于卷积神经网络的短期天气预测研究

对某市历史天气数据进行分析、整理,建立了具有两个卷积层的卷积神经网络,并做出短期天气预测,对未来6 h天气温度进行预测,并根据实际天气做出误差分析。为了对预测结果进行分析,又基于灰色模型方法建立了天气预测模型,并对两种方法的预测结果进行比较,得出相应结论:整体来看,两种模型的预测结果与实际温度的相对误差和均方误差较小,都能较为精准地对温度进行短期预测,两种方法在对温度短期预测中具有参考价值,且卷积神经网络预测精度更高。这一结论可以为不同时间序列及天气温度波动情况的短期天气预测提供新的思路。     

数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。     

Approximation of the discharge coefficient of differential pressure flowmeters using different soft computing strategies

Due to its importance in flow measurement and instrumentation, as well as its frequent application in differential pressure flowmeters, orifice discharge coefficient (C_d) needs to be estimated precisely. In this study, different soft computing models (including multiple linear regression (MLR), group method of data handling (GMDH), multivariate adaptive regression splines (MARS), M5P tree model, and random forest (RF)) were employed for the first time in estimation of the C_d value, and their respective prediction performances were analyzed statistically. Coefficient of correlation (CC), mean absolute error (MAE), root mean square error (RMSE), scattering index (SI), and Nash–Sutcliffe model efficiency coefficient (NSE) were used as the statistical indicators for validating the performance of each soft computing model. The statistical indicators approved the superiority of the RF model over the other models, while the MARS model also showed a competitive prediction potential over M5P, GMDH, and MLR models. The findings of this computational study clearly demonstrated that the implemented soft computing strategy had the capability to be used in precise estimation of the C_d of the orifice meter, specifically, in situations where the measurement of the parameters in deterministic equation is not practically feasible.     

General expression for linear and nonlinear time series models

The typical time series models such as ARMA, AR, and MA are founded on the normality and stationarity of a system and expressed by a linear difference equation; therefore, they are strictly limited to the linear system. However, some nonlinear factors are within the practical system; thus, it is difficult to fit the model for real systems with the above models. This paper proposes a general expression for linear and nonlinear auto-regressive time series models (GNAR). With the gradient optimization method and modified AIC information criteria integrated with the prediction error, the parameter estimation and order determination are achieved. The model simulation and experiments show that the GNAR model can accurately approximate to the dynamic characteristics of the most nonlinear models applied in academics and engineering. The modeling and prediction accuracy of the GNAR model is superior to the classical time series models. The proposed GNAR model is flexible and effective.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的建模预测方法。根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数。基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验。实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强。     

基于迁移学习的单目菌落深度提取算法

高通量菌落挑选仪是生物制药行业中菌种筛选的重要设备,但其只能识别二维位置信息。为了解决菌落的三维信息提取问题,提出基于迁移学习的单目成像菌落深度提取算法。该算法以残差网络为基础,结合多尺度的网络结构提取特征,采用无监督的迁移学习训练方式,使网络能够估计菌落深度信息。实验结果表明,该算法的平均相对误差为0.171,均方根误差为6.198,对数均方根误差为0.256,在1.25阈值下的预测准确率提高到了76.4%,算法能够同时获取菌落深度信息及其表面特征,为进一步提高筛选精度和有效挑选菌落提供了参考。     

基于误差传播理论的动态测量误差灰色评定方法

动态测量是随测量时间而变化的非平稳随机过程 ,动态测量数据具有时变性、随机性、相关性和动态性四个基本特性。灰色模型实时误差预报修正的动态测量误差序列同样为随机过程 ,也具有上述基本特性。据此提出灰色模型误差预测值的评估应以误差在系统内的传播方式与程度来进行 ,并借鉴静态测量误差评定的均方差参数方法 ,推算出灰色系统均方差参数 ,作为评定误差预测值精度的方法     

Predicting engine reliability by support vector machines

Capturing the trends of engine failure data and predicting system reliability are very essential issues in engine manufacturing. The support vector machines (SVMs) have been successfully applied in solving nonlinear regression and times series problems. However, the application of SVMs to reliability forecasting is not widely explored. Therefore, to aim at examining the feasibility of SVMs in reliability predicting, this study is a first attempt to apply a SVM model to predict engine reliability. In addition, three other time series forecasting approaches, namely the Duane model, the autoregressive integrated moving average (ARIMA) time series model and general regression neural networks (GRNN), are used to compare the predicting performance. The experimental results show that the SVM model is a valid and promising alternative in reliability prediction.