基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于变点发掘的城市轨道交通客流预测模型

通过城市轨道交通发展过程阶段变化对其相应的客流变化特点进行分析;基于变点发掘的方法划分出轨道交通客流的不同变化模式,并分析导致客流模式变化的影响因素;通过权重变化有效地结合不同交通状态模式下的变参数自回归求和滑动平均(ARIMA)模型和全局BP神经网络模型,构建城市轨道交通客流组合预测模型;结合某大城市轨道交通线路的实际客流数据,对本文模型的适用性和准确性进行验证。研究结果表明:同一模式区间预测比全局搜索预测更容易获得较高精度预测值,组合模型预测结果相对优于单一模型预测结果。     

基于数据驱动的线性聚类ARIMA长期电力负荷预测

针对某些发达城市因负荷波动大而导致的长期电力负荷预测精度低问题,提出了一种基于数据驱动线性聚类(data-driven linear clustering,DLC)的自回归积分滑动平均(auto-regressive integral moving average,ARIMA)预测方法。首先,利用线性特征作为聚类标准对每年的大型变电站负荷数据集进行预处理;然后,对得到的每个子序列构建最优自回归积分滑动平均模型,以预测其相应的未来负荷;最后,汇总所有的模型预测结果从而获得电力系统长期负荷预测结果。从误差分析和应用结果可知,理论和实践都验证了所提出的方法在保证建模精度的同时能够降低随机预测误差,从而获得更稳定、更精准的电力系统负荷预测结果。     

基于ARIMA与神经网络的备件需求组合预测方法

针对备件需求量波动大预测精度不高的问题,提出一种基于差分自回归移动平均(ARIMA)、BP神经网络、串联的卷积与长短期记忆神经网络(CNN-LSTM)组合模型的备件需求预测方法。该方法能够充分发挥ARIMA模型出色的线性拟合能力和神经网络突出的非线性拟合能力,克服了单一方法的局限性,并通过实例分析,验证了该组合预测模型的预测精确度高于单一预测模型。     

基于改进PSO的ARIMA-SVM空气质量预测研究

针对现有的单一模型对PM_(2.5)质量浓度预测误差较大的问题,提出自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)-支持向量机(Support Vector Machine,SVM)组合预测的方法.首先,为了解决单核SVM泛化能力弱、学习能力差的缺点,构建基于线性组合的混合核SVM;然后,考虑到普通粒子群算法对SVM参数寻优存在易陷入局部最优解和后期震荡的问题,提出基于余弦函数的自适应惯性权重和增加动量项的改进粒子群算法;最后,以北京市某站点的PM_(2.5)质量浓度数据进行验证.结果表明:改进的组合模型均方根误差较未改进组合模型和单一ARIMA模型分别降低了1.741μg·m~(-3)和6.720μg·m~(-3),具有更加良好的预测精度.     

时间序列分析在我国财政收入预测中的应用

介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及SAS实现.将ARIMA模型应用于我国财政收入的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型.     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

基于组合优化理论的建筑施工事故预测模型

为了提高建筑施工事故的预测精度,设计了基于组合优化理论的建筑施工事故预测模型.首先采用差分自回归移动平均(ARIMA)法对建筑施工事故进行预测,得到建筑施工事故的线性预测结果,然后采用支持向量机(SVM)法对建筑施工事故进行预测,得到建筑施工事故的非线性预测结果,最后对它们的结果进行融合,得到建筑施工事故预测值.实验结果表明,融合ARIMA和SVM的组合预测方法可以实现建筑施工事故的高精度预测.     

一种新的组合权重在组合预测模型中的应用

为了提高组合预测的精度,提出了一种新的组合权重计算方法,该方法通过将平均绝对百分数误差(MAPE)和最小二乘法相结合来确定组合预测模型的权重值。将这种新的组合权重方法应用到组合模型中,并对湖北省国内生产总值(GDP)进行预测。首先,建立了差分自回归移动平均(ARIMA)模型和指数曲线回归模型;然后,用MAPE和最小二乘法确定组合模型的权系数,在此基础上将两种权系数进行组合,形成组合权重。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.3%。     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.     

基于折扣高斯粒子滤波器的桥梁可靠性动态预测

桥梁健康监测(BHM)系统在长期运营中积累了大量信息,如何利用这些信息动态预测结构可靠性已成为BHM领域的关键科学问题之一.为合理预测桥梁的动态可靠性,应用BHM系统日常监测的极值应力数据,建立带有最优折扣因子的动态线性模型,结合高斯粒子滤波器给出折扣高斯粒子滤波器预测算法,分别对日常监测极值应力的一步向前预测分布参数和状态变量后验分布参数进行修正预测,并基于此,采用一次二阶矩(FOSM)方法预测桥梁的动态可靠性,结合桥梁实测数据对所提方法进行了验证分析,为桥梁预防性养护维修决策提供理论基础.     

基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.     

基于AUV的航迹追踪自适应UKF算法

无迹卡尔曼滤波算法(UKF,unscented kalman filter)是一种常见的(AUV,autonomous underwater vehicle)加权统计线性回归航迹追踪算法,其算法冗余度低于(EKF,extended kalman filter)、(PF,particle filter)及(PSO,particle swarm optimization)等数值优化算法,且算法效率较高。然而,UKF控制算法中的系统采样时间间隔通常会被设置为常数,由此可能会产生预测值的误差累积,从而影响导航预测结果的精度。因此,笔者提出了基于AUV的航迹追踪自适应无迹卡尔曼滤波算法(AUKF,adaptive unscented kalamn filter algorithm),以期降低预测算法的累积误差。该预测方法依据标准UKF算法的原理,通过构造相应的约束、判断与反馈机制,调整系统状态方程中每一步的采样间隔t,从而提升算法的航迹追踪精度并减少过程噪声及传感器噪声对预测过程的影响。最后,通过仿真实验与结果对比,近一步验证了之前所提出的设想。     

联合经验正交分解和ARIMA模型的中国地区电离层短期预报

针对电离层垂直总电子含量(Vertical Total Electron Content,VTEC)具有非平稳和季节性变化的特性,结合经验正交分解(EOF)能够对非平稳时间序列进行简化和剔除冗余信息的优势,该文探索联合EOF和自回归移动平均模型(ARIMA)作为FOE-ARIMA,对中国地区电离层VTEC进行短期预报。采用IGS(International GNSS Service)中心提供的中国地区电离层格网数据(Global Ionospheric Maps,GIM),对不同季节前10天GIM数据进行EOF分解,使用ARIMA模型对主分量进行预报,通过重构获取未来5天VTEC值,并将EOF-ARIMA模型预报结果与ARIMA模型进行对比、分析。结果表明：EOF-ARIMA模型平均相对精度为83.3%,平均标准差为3.51 TECu,较ARIMA模型其平均相对精度提高了3.3%,平均标准差降低了0.16 TECu;EOF-ARIMA模型预测结果无明显季节差异,ARIMA模型秋季预报精度明显低于其它季节;EOF-ARIMA模型在赤道异常处预报精度未受影响。由此表明EOF-ARIMA模型在中国地区进行电离层短期预报具有较高的精度和稳定性。     

EOF分解与Kalman滤波相结合的副高位势场数值预报优化

用经验正交分解和Kalman滤波相结合的方法,建立了夏季500 hPa位势高度场数值预报误差修正模型,以改进副高数值预报效果,提高副高预报准确率.首先用经验正交分解（EOF）方法将T106数值预报500 hpa位势高度场分解为彼此正交的空间结构模态和相应的时间系数的线性组合,随后选取前15个模态的时间系数（其方差贡献98.7%）序列,分别建立了各自的Kalman（卡尔曼）滤波模型,最后用优化出的时间系数与相应的空间结构场进行EOF重构,进而得到修正后的副高位势预报场.修正后的位势场与原始的数值预报场的对比结果表明,该修正模型可对副高数值预报误差进行有效修正,优化后的预报效果较原始数值预报场有明显改进提高.     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于作战管理的有人-无人协同作战体系结构建模

航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题,提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先,采用高斯分布对原始振动数据进行分析,提取具有时间序列和退化趋势的特征数据,并为其设置剩余使用寿命（RUL）标签;其次,利用随机搜索算法对融合参数范围进行寻优,在极端梯度提升(XGBoost)中加入卡尔曼滤波器解决预测值不平滑和噪声干扰的问题;最后在商用模块化航空推进系统仿真数据集（C-MAPSSC）上进行了验证和分析,实验结果证明：与其他模型相比,文中采用的寿命预测方法准确度更高。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.