基于奇异谱分解的猪肉价格组合预测

通过奇异谱分析方法分解猪肉价格,采用ARIMA模型、SVM模型和BP神经网络模型对分解后的猪肉价格进行组合预测;同时选择ARIMA,SVM和BP神经网络作为基准模型,把组合模型预测的结果与所选的基准模型预测结果进行对比,得到了组合模型预测结果总体上优于基准模型预测结果的结论。通过DM检验,进一步验证了结果的可靠性。预测结果表明,SSA组合模型的预测能力平均比ARIMA、SVM和BP神经网络3种基准模型的预测能力分别高出7.97%、72.79%、67.64%     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

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.     

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ARIMA-SVM模型的快速公交停站时间组合预测方法

为了研究快速公交(BRT)系统公交站台停靠时间的可靠预测技术,对BRT车辆在站台停靠的物理过程进行分析.该过程既具有纵向时间相关性,又受到其他交通子系统的非线性作用,因此将BRT车辆停站时间拆解成线性部分和非线性部分.分别采用差分自回归移动平均(ARIM A)模型和支持向量机(SVM)方法对两部分进行预测,并将预测结果叠加,构成一种快速公交停站时间的组合预测方法.以常州BRT 2号线2个快速公交站的停站时间数据及其相关数据为样本进行建模,建模结果表明该组合预测方法行之有效.相较于单一的ARIMA模型和SVM模型,组合模型停站时间预测值的平均相对百分误差、均方误差均明显降低,误差1 s内命中百分率提高,且在训练数据足够时,组合模型的平均相对百分误差、均方误差分别为0.62%和4.05s2,误差1 s内命中百分率达到96.79%.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

逐步RVM-Markov模型在大坝变形预测中的应用

相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实际应用中,RVM模型的泛化能力与SVM相当,向量数量却远小于SVM模型,计算过程得到简化,Mrakov链对残差进行修正后又提高了预测精度.将上述组合模型用于大坝变形实例分析,获得了较好的回归预测效果.     

短期风速预测的相关方法及其应用研究

文章对持续法、BP神经网络和支持向量机(support vector machine,SVM)3种方法在提前24h风速预测中的应用进行了研究和比较。为了消除季节对预测结果的影响,针对某年12个月份分别建立预测模型,结果表明:在大多数情况下,BP神经网络和SVM算法的预测结果要优于持续法,并且SVM算法优于BP神经网络;但也有持续法优于BP神经网络和SVM算法及BP算法优于SVM算法的情况。因此不能绝对说某种算法优于另一种算法,应该根据具体情况来进行分析判断,或者通过组合预测来提高预测精度。     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

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.     

基于小波变换域的SVM股市时间序列预测算法

研究利用小波变换技术提高基于SVM的股市时间序列预测算法的效果.采用结构相同的若干SVM同步预测股市时间序列数据在不同尺度下的小波变换系数,通过对各预测值进行加权组合预测股市变化趋势.其中所有SVM的核参数采用遗传算法同时自动进化调整.通过实证分析,以及同基于SVM的股市时间序列预测算法进行对比,结果证明结合小波变换技术能够更深入揭示股市规律.     

乘积季节模型在商品房市场中的应用研究

主要采用时间序列乘积季节模型(随机季节模型与ARIMA模型的结合式)及多元统计方法,对商品房市场的发展规律进行了研究.通过对合肥市2001年至2005年60个月份的月度商品房销售面积进行实证分析,建立了一个商品房市场销售规律的统计预测模型ARIMA(0,1,1)×(0,1,1)12,并对该模型进行适应性检验,得到较好的结果.最后,利用该模型对该市的房地产发展趋势进行了预测.     

基于εN-SVDD算法的煤层底板突水危险性预测

为有效预测深部煤层开采面临的底板突水威胁,减少突水事故发生,针对水文地质勘探资料少、突水相关数据获取较难的情况,提出结合ε不敏感损失间隔的带负类支持向量数据描述(εN-SVDD)算法,采用该算法构建了底板突水预测模型,对选取的突水预测样例进行了突水预测分析,得到了准确的预测结果.研究结果表明:与原始SVDD、支持向量机(SVM)方法相比较,εN-SVDD预测模型在突水相关数据较少时仍能得到较高的预测准确率.     

基于粒子群改进BP神经网络的组合预测模型及其应用

针对应用广泛的传统人工智能预测BP(Back propagation)神经网络自身局限以及其在处理中长期复杂预测问题中需要样本数量大、泛化能力弱等不足,提出利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法和自回归移动平均模型(ARIMA)时序预测对历史数据进行初步预测,对中长期预测中数据趋势项和随机项进行模拟;将初步预测的结果作为改进BP神经网络的输入,在此基础上进行训练和预测,构建基于改进BP网络的组合预测模型.以我国1978-2007年能源需求数据为样本,进行实例分析.结果表明:组合预测模型预测精度较BP神经网络、灰色预测方法和ARIMA预测方法分别提高4.8%,6.1%和5.3%,验证了组合预测方法在中长期预测问题处理中的有效性.     

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ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力，综合考虑铁路货运量时间序列数据的线性和非线性特征，提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测，再利用LSTM网络对残差进行校正，并将其与XGBoost模型结合，采用误差倒数法确定权重，构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比，借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验，实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%，预测误差均低于上述对比模型，模型的预测精度和泛化能力都有所提升。     

基于变分模态分解的瓦斯浓度多尺度组合预测

为提高煤矿瓦斯浓度的预测精度，将瓦斯浓度序列变分模态分解后对各模态分量分别采用差分整合移动平均自回归（ARIMA）模型和门控循环单元（GRU）模型进行预测，采用诱导广义有序加权函数平均（IGOWFA）算子组建变权组合预测模型的方法，对实验数据比较，结果表明：与采用单一预测方法或固定权值组合预测方法相比该方法的预测结果具有更高的预测精度，为煤矿判断瓦斯事故发生概率提供依据。     

基于最优加权法的改进交通流组合预测研究

分析了交通流由线性和非线性部分组成,使用ARIMA模型、指数平滑模型和灰色模型对线性部分进行预测,并且以预测误差平方和最小为准则确定这3个模型预测结果的最优加权系数,得到这3个模型的最优组合,最后对非线性残差部分使用支持向量机模型进行预测.通过实例分析发现,组合预测模型相比单个预测方法具有更高的精度,能够较准确地对交通流进行预测.