无量纲参数滚动轴承长相关故障趋势预测

以滚动轴承为研究对象,将无量纲参数-跳跃性因子作为振动信号中的趋势预测特征值,采用短相关随机模型(ARIMA)和长相关分数阶差分的FARIMA模型分别对跳跃性因子进行预测,提出适合长短相关性序列的MIXARMA自适应预测模型,根据Hurst指数自动选择适合的预测模型。经R/S方法检验,跳跃性因子更适合长相关序列预测,对于旋转机械设备状态评估和决策分析有重要意义。     

基于VMD-GRU-EC的短期电力负荷预测方法

为提高负荷预测精度,该文提出一种基于VMD-GRU-EC的短期电力负荷预测方法。针对原始负荷序列非线性和非平稳性的特点,利用VDM分解方法将原始负荷序列分解得到若干个子序列,利用GRU模型分布针对每个子序列建立预测模型,最终将每个子序列的预测值相加得到负荷序列的初始预测值。在得到负荷序列的初始预测之后可得到误差序列,同样利用VMD-GRU模型预测误差序列。利用VMD-GRU模型依次得到初始预测负荷和误差序列后,通过误差校正（error correction, EC）得到最终的预测负荷。实验研究表明,在所有预测模型中,该文所提预测方法预测精度最高,稳定性最强。验证所提模型的有效性与优越性。     

灰色理论和时间序列在地表沉降预测中的应用

为提高数学预测模型在地表沉降监测中预测的准确性,采用灰色系统预测模型和时间序列模型的处理方法,对两种模型在预测地表沉降中的有效度和精确度进行比较,为提高数学模型预测的精确度有着积极的意义。     

遗传算法对RVM短期风速预测模型的多参数同步优化

该文利用混沌理论中的相空间重构方法,对基于相关向量机的风速预测模型的训练样本进行构建,然而通过混沌理论求出的相空间参数(嵌入维数E和时间延迟τ)往往不是预测模型的最优解。针对预测模型超参数优化问题,提出一种基于遗传算法的多参数优化方法,即对E、τ以及相关向量机核参数σ进行同步优化。该方法首先基于遗传算法搜索相关向量机预测模型参数(E、τ、σ)的全局最优解,进而建立预测模型;然后对待预测风速时间序列进行预测;最后以2组实际风速数据为例进行实验研究,并与对比模型方法(只优化参数σ)进行对比。结果表明:该文模型不仅具有较低的预测误差,而且可提高预测效率,缩短预测时间。     

基于季节性神经网络的医院门诊量曲线拟合与预测

医院月门诊量是一个具有复杂的非线性组合特征的季节性时间序列。传统的时间序列趋势分析是通过季节调整建立预测模型,效果不理想。文章提出一种利用季节性神经网络预测模型对医院门诊量进行非线性曲线拟合分析并预测。论述了该模型的设计思想和实现算法。通过仿真实验表明,该模型的非线性曲线拟合精度和预测精度明显高于ARIMA季节乘积模型,可较好地反映系统的动态性和门诊量的季节时序关联性,为季节性时间序列预测提供了一种新的途径。     

自适应信号控制条件下的交通流预测模型研究

在分析信号交叉口进口道车流运行特征的基础上,剖析了长时段交通流统计数据序列与短时段交通流统计数据序列的变化规律,阐述了自适应信号控制系统中既不能用长时段的交通流预测方法,也不能用短时段的交通流预测方法,结合两种预测方法的优点,建立了综合功效的自适应交通流预测模型。经实际调查数据验证表明:综合功效的自适应交通流预测模型具有较高的预测精度和实时性,完全能满足自适应信号控制中的预测要求。     

库存需求灾变灰预测模型

首先对控制库存需求常用的序列预测模型进行了回顾,指出它们存在的主要问题在于需要大量数据和模型设置的主观性等;接着提出了一类预测方法－－灰灾变预测模型以解决这些问题,并详细介绍了这类模型;然后给出一个案例进行相关的研究和分析;最后,对这类模型进行了总的评价。     

基于灰色马尔柯夫预测的测量仪器校准间隔动态优化

根据测量仪器校准参数数据特点，建立了仪器校准参数动态发展趋势的时间序列组合模型。将灰色预测与马尔柯夫预测方法优化互补，用灰色预测模型预测参数总体发展趋势，在此基础上采用马尔柯夫模型预测参数在总体趋势下的随机波动性变化，得到校准参数发展趋势预测模型的解。给出基于校准参数趋势预测的校准间隔动态优化方法，并通过实验数据对预测模型进行了验证。结果表明，此模型既能预测校准参数总体趋势，又适合于波动性较大的随机序列变化；校准间隔的优化改善了计量管理中不足计量和过剩计量的缺陷。     

基于多变量加权一阶局域混沌预测模型优化及应用

鉴于实际应用中多变量因素对混沌预测的影响,提出了多变量时间序列相空间重构方法,以此为基础建立多变量加权一阶局域混沌预测模型。引入等概率符号化极大联合熵求取延迟时间、最小香农熵法求取嵌入维数,实现多变量混沌预测模型子序列重构;对实际序列采用区间邻近点法确定预测中心点的邻近点,避免产生伪邻近点;最后用关联分析确定观测变量。将该模型应用于短期电力负荷预测,分析气温等影响因素与电力负荷的相关程度,引入气温时间序列作为另一观测变量,实验证明相对于单变量预测方法提高了预测精度。     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。