随机时间序列的适时区间预报法及其应用

本文是在随机时间序列的适时预报的基础上,提出和论证了随机时间序列的适时区预报。给出了适时区间预报的递推公式以及推论。     

AP（p）序列L1-预报的方法

本文讨论时间序列模型中AR(p)序列L1-预报的方法,给出预报公式,并讨论渐近均方预报误差估计.     

概率神经网络的边界预报

在概率神经网络用于时间序列预测的基础上,结合数理统计理论,提出在一定置信度情况下,对时间序列的边界预报问题．在时间序列预报时,不仅给出预报值,同时也给出预测值的变化范围．通过模拟数据和齿轮箱实际数据,对边界预报进行了应用分析,得出预报具有滞后性的结论并分析了其原因;同时讨论了平滑因子等参数对边界预报的影响．     

随机序列的平稳区间预报与适时区间预报是渐近相同

本文概述了随机序列的平稳区间预报法和适时区间预报法,论证了平稳区间预报法和适时区间预报是渐近相同,揭示了这二种区间预报的内在联系.     

建筑物沉降的时间序列分析与预报

首先对建筑物沉降数据序列进行了平稳化处理,然后研究了平稳化序列的建模和预报方法,最后结合建筑物沉降监测的具体实例进行了时间序列的分析与预报.结果表明:将时间序列分析方法应用于建筑物沉降监测,具有建模容易、计算简单、预报快速的特点;时间序列分析方法对建筑物沉降具有较高的模型拟合及预报精度,尤其是短期预报,效果更佳;应尽量避免使用时间序列进行中长期预报,要根据实测数据对所建模型进行实时更新.     

应用时间序列分析法进行棉红铃虫中长期数值预报的研究

本文以时间序列分析法组建棉红铃虫数值预报模型,将棉红铃虫种群数量变动的时间序列分解为周期项和随机项,采用逐步回归周期分析和平稳随机序列分析方法分别提取其周期项和随机项,经迭加后应用于中长期数值预报,经初步验证,效果尚好。     

平稳时间序列的预报误差方差估计的收敛速度

对平衡时间序列的基于过去观察值对将来值的预报，向前ｈ步预报误差的方差和可预报性度量是两个关键参数。本文给出由Ｂｈａｎｓａｌｉ提出的ｖ（ｈ）和ｚ（ｈ）的两种估计方法的收敛速度。     

3种机器学习方法对空气污染预报效果的对比

以中国西北5个省会城市为研究区域,利用2015年1月1日-2020年7月21日空气质量监测资料与气象数据构建基于多元逐步回归(MSR)、随机森林(RF)与支持向量机(SVM)的空气污染预报模型,以平均绝对误差、均方根误差及拟合度指数IA为评判指标,对模型的模拟精度进行对比分析.结果表明,针对5个城市构建空气污染预报模型时, RF重要性评估法比Spearman相关系数法更适用于筛选预报因子. MSR、 RF与SVM模型的预报性能由强至弱依次为MSR>RF>SVM. 3种模型预报结果均IA>0.8,预报值与实际观测值之间的相关程度较高.     

混沌时间序列可预报时间长度分析

摘要：以经典混沌序列——Henon映射序列为例,对不同长度、不同噪声水平的序列进行了预报试验．结果表明：(a)纯净序列,序列越长,预报精度越高,同时预报精度衰减速度随之减慢,并且,当序列足够长时,即使较长预报步长的多步预报,仍可取得相当高的预报精度;(b)含噪声序列,其预报精度随步长的增加迅速地呈指数衰减,并且,序列长度基本上不会对预报时间长度产生影响,但噪声水平对可预报时间长度有一定影响,噪声水平越高,可预报时间长度越短．因此,不明确可预报的标准、不考虑序列长度、噪声水平等因素的影响而简单地以最大Lyapunov指数的倒数定义最大可预报时间长度,是不可取的．同样,根据最大Lyapunov指数推断水文过程的可预报时间长度也是不合适的．     

开都河年径流量逐步回归模型的建立与预报

每年7、8月份，巴州有关部门要求水文部门预报开都河当年年来水量，本文为满足此项要求而撰写。文章应用逐步回归分析的基本原理和方法，分别以开都河大山口水文站1956-1999、1956-2000、1956-2001、1956—2002、1956-2003年当年1-7月及前一年1—12月月平均流量序列(19个因子)为预报因子，以当年年径流量序列为预报对象，建立了逐步回归预报模型，并对2000、2001、2002、2003、2004年年径流量分别进行了试预报，试预报结果符合水利部《水文情报预报规范》(SL250---2000)要求，可供生产实践参考和应用。     

《基于可公度方法的川滇地区地震趋势研究》之质疑

本文采用发表于2006年的<基于可公度方法的川滇地区地震趋势研究>一文所用的可公度法,对该文中的原始地震序列进行了系统的计算分析,并与随机序列进行了对比分析.结果表明:(1)该地震序列中蕴含的可公度频数较高(均值为50),而该文认为能够写出3组以上可公度式即可说明可公度性较好,根据是不足的;(2)本文对2000-2010年的11个年份进行可公度预测分析,其可公度频数统计(均值为43)显示,2008年(频数为44)并未表现出特殊性,而该文仅根据3个可公度式进行预测,是缺乏依据的;(3)将该地震序列与随机序列进行对比分析可知,该地震序列的可公度性并不强于(甚至弱于)随机序列,因而针对该地震序列进行的可公度预测是不可信的.综合以上分析,本文认为虽然该文的预测结论与2008年5月12日汶川大地震巧合,但因其研究过程和研究方法均存在明显不足之处,故所得结论难以令人信服.     

基于生物特征的随机序列发生器

利用生物特征本身内在的独特性、不可预测性和不可重复性等随机特性和外部随机噪声(光照、损伤等)给出了基于生物特征的随机序列发生器.以虹膜为例,通过Canny算子对虹膜图像进行边缘检测,得到二值化图像,提取值为“1”的坐标(i,j),利用f(i,j)=cos(i×j),得到[-1,1]之间的随机序列.使用标准随机统计测验FIPS 140-1 tests检验产生的随机序列.结果表明:和其他随机序列发生器相比,该发生器不仅具有优良的随机性,而且实现简单、方便,提供了真随机序列的一种产生方法.     

灰色GM(0,h)模型应用于台风预报

应用灰色系统理论,建立了我国华南沿海登陆台风预报模型。该模型在对前期因子数据序列和预报量的前期数据的映射序列,分别作累加生成的基础上,应用灰色GM(0,h)建模,建立前期因子与后期预报变量之间的量化关系,并通过残差辨识提高了拟合率。     

伪随机序列的均匀性评价

伪随机序列生成方法有很多种 ,因生成方法不同而导致其性质的差异较大 .文中描述了产生均匀分布的U (0 ,1 )伪随机序列的数学原理 ,提出了评估均匀分布伪随机序列均匀性的几种方法 ,对由软件产生的几种均匀分布序列的均匀性作出了评估     

伪随机序列发生器的研究与实现

研究了伪随机序列的随机特征,推导出M序列具备伪随机序列的特征,给出M序列的反馈逻辑函数,设计了M序列发生器;分析了测试电路产生的n阶伪随机序列的波形图.通过对测试结果的分析、比较发现,关于反馈移位寄存器的阶数与序列长度关系、码元的游程(该序列的伪随机性)等方面的分析是正确的,验证了该设计的可行性.     

瓦斯浓度序列的煤与瓦斯突出预报方法及应用

对监测到的瓦斯浓度序列进行深入研究的基础上,提出了利用瓦斯浓度序列预报煤与瓦斯突出的新方法,设计了突出预报软件,并以某矿实际突出前瓦斯浓度序列进行了验证。结果表明:瓦斯浓度序列在突出发生2h前表现了突出前兆信号,并且随着突出的临近,该信号越来越强。由此可见,该方法是可行的,且能弥补常规预报方法中的不足,使预报更为准确、可靠。     

基于时间序列分析的地表沉降数据分析处理

基于平稳时间序列的特性,研究了应用ARMA(m,n)模型对矿区地表沉降数据进行分析处理和预报的方法步骤,并用一组实测沉降数据实例说明.结果表明,应用ARMA(m,n)模型分析处理地表沉降数据十分有效、可靠.     

非独立变量的随机大数定理

<正> 一引言设{ξ_k}是随机变量序列,作和ζ_n=sum from k=1 to n ξ_k是通常n个随机变量之和的序列,若把n换成正整值随机变数v_n,则得随机和序列     

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析（PCA）和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.