波罗的海干散货指数预测的非等间隔灰色波形预测方法

为提高对波罗的海干散货指数(BDI)预测的准确度,根据BDI指数这类波动幅度不规律的时间序列的特征,提出一种非等间隔的灰色波形预测方法,即应用分位数法选取非等间隔的等高线,并有选择地对等高时刻序列进行GM(1,1)建模.通过对BDI指数月数据的建模与预测表明,非等间隔的灰色波形预测方法较传统的灰色波形预测方法和ARMA(1,1)模型在预测精度和运算效率方面具有明显优势.     

AOD冶炼脱碳过程的非等间隔灰色优化模型研究

针对AOD冶炼中脱碳过程存在很多不确定因素,且终点控制仍借助经验来判断等问题,对高碳铬铁AOD法降碳试验中的脱碳过程建立了非等间隔序列的灰色优化模型.仿真结果表明,非等间隔序列的灰色优化模型能够很好地对碳含量进行终点预测,而且模型具有较高的预测精度,显示出其在冶金方面具有的明显优势和巨大潜力.     

非等间隔时序灰色模型的深基坑变形预测研究

灰色理论广泛应用于深基坑位移预测,对基坑工程设计与施工具有重要意义.预测中灰色模型的建立是以等时距原始数据作为前提条件,而实际工程的位移监测数据多是非等时距,因此难以建立合理的预测模型.文章采取引入单位时间差系数方法将不等间隔序列调整为等间隔序列,分析其差值后将序列还原,从而可以建立非等间隔时序灰色模型;同时将数据矩阵的第一列元素由原2个连续元素增加为3个连续元素平均值的相反数构成;以某深基坑工程为算例,验证了上述改进模型的正确性,其预测结果与监测结果更为接近.结果表明,非等间隔时序灰色模型在深基坑变形预测中更符合工程条件,精度更高,为深基坑支护信息化施工提供了更好的理论依据.     

基于插值的非等间距GM(1,1)建模方法

非等间距GM(1,1)模型因其对非等间距观测数据的处理能力,在变形观测的预测方面发挥着越来越重要的作用。为了更加准确地进行变形预测,提高其实用性,对非等间距GM(1,1)模型进行改进。首先分析不同插值方法对非等间距序列的适应性,选取合适的插值方式。通过插值将非等间距序列构造成等间距序列,建立插值优化背景值和不对背景值进行优化两种模型。对该等间距序列进行预测,最后再进行一次插值还原为原始非等间距序列的预测值。将预测的结果与其他方法进行比较,验证了改进的模型预测精度明显提高。     

基于AM-LSTM模型的共享单车时空需求预测

为准确预测城市不同区域的共享单车需求量,解决区域间供需不平衡问题,在对上海市共享单车数据进行时空特征可视化分析的基础上,研究共享单车的出行分布规律. 针对时间出行分布的非严格周期性,提出了一种引入注意力机制的长短时记忆网络预测模型AM-LSTM. 利用Spearman相关性分析法分析特征影响因素,提取模型特征值. 分别构建不同输入序列的预测模型,与传统时序预测模型进行对比分析. 结果表明,采用30 min时间间隔的输入序列具有较高的预测精度,AM-LSTM模型能够较好地预测共享单车的出行需求量,预测精度优于单一的LSTM模型. 最后对预测曲线进行相关度分析,验证了AM-LSTM模型的预测性能,可以为城市共享单车的调度及分配提供有效信息.     

锅炉过热器剩余寿命非等间隔灰色预测

为预测锅炉过热器剩余寿命,利用超声波技术对已运行12a的某锅炉过热器管内壁氧化膜厚度进行无损测量,并以等间距时间序列为基础,把非等间距数列转化为等间距时间序列,进行1次累加生成处理,建立锅炉过热器剩余寿命非等间隔灰色预测模型GM(1,1);利用锅炉过热器管内壁氧化膜厚度部分检测数据对锅炉过热器剩余寿命进行非等间隔灰色预测。研究结果表明:锅炉过热器剩余寿命非等间隔灰色预测结果精度高,该锅炉过热器剩余寿命至少还有3.7a。     

利用出租车GPS轨迹数据进行短时交通流量预测：以重庆市解放碑街区为例

交通流量预测是智能交通系统的重要组成部分。本文以重庆市解放碑街区为研究区域进行交通流量预测分析,基于研究区域内出租车GPS轨迹数据处理获取时间间隔为5min、10min、15min的交通流量序列。同时为充分挖掘交通流量序列特征规律,减小序列非线性、非平稳性带来的影响,本文提出一种基于信号分解的预测模型GE-RL。通过一般线性模型（GLM）将原始序列分解成周期序列、趋势序列和残差,同时引入经验模态分解方法（EMD）对残差进一步分解以充分挖掘序列特征;模型预测方面,构建随机森林模型（RF）对周期序列和趋势序列进行预测,接着引入长短期记忆网络模型（LSTM）构建RF-LSTM残差模型对EMD分解的各分量进行预测,通过叠加各模型预测成果得到最终预测结果;同时为验证模型精度,设置对照模型进行比对。结果表明,所构建的GE-RL模型在预测精度上均高于对照模型,可以满足基于不同样本时间间隔的交通流量预测的需要。     

线性/非线性时间序列模型一般表达式及其工程应用

提出一种线性/非线性时间序列模型的一般表达式(GNAR),论述其线性和非线性特性.对3种典型的非线性、非平稳时间序列进行试验及应用研究.将样本数据分成训练集和测试集,在训练集上建立GNAR模型,采用最小二乘方法以及结合预测误差的修正AIC准则实现其参数估计和模型定阶.在测试集上进行预测,进而验证模型.结果表明该模型对3组数据跟踪性能良好,预测预报精度优于传统时序模型,因此该模型有良好的适应性和有效性,能应用于工程实际.     

基于时间序列的虚拟接触力的建模方法研究

为了同时提高力觉再现系统中力觉模型的实时性和精度,提出了一种基于时间序列的虚拟力预测算法用于改进弹簧质点接触力/变形模型.该模型不仅研究力与变形的关系,而且还考虑力的历史变化.对不同的接触对象,测量接触力随时间的变化,根据实际测量数据,建立AR模型,在物理模型计算的时间间隔内用AR模型预测虚拟力.实验结果表明, 和以往仅考虑力与变形关系的力/变形物理模型相比,加入时间序列预测的模型,能提高力觉再现的刷新频率,同时保证较高的精度.     

高速公路路基沉降预测研究

文章讨论了灰色系统理论在公路路基沉降预测中的应用,并对等间隔的灰色模型GM(1,1)进行了改进,建立了任意时间间隔的非等时序改进灰色模型.通过具体工程实践,给出了两种模型对公路路基沉降量预测结果与实测结果的比较,结果表明非等时序改进灰色模型的预测沉降量与实际沉降量更接近,精度更高,更能满足工程需要.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

非等间隔GM(1,1)在挡土墙变形预测中的研究

本文以某市中石油储备库北区金属网箱挡土墙的监测数据为时间序列,由于监测时间要求及施工和天气等多方面的因素,使得此数据序列为非等间隔序列。文中通过非等间隔序列建立灰色GM(1,1)预测模型,研究金属网箱挡土墙的变形趋势。研究表明:非等间隔序列灰色GM(1,1)模型在一定时期内能比较准确的预测挡土墙的变化趋势,可为金属网箱挡土墙的防护提供较为可靠的依据。     

一次函数变换GM(1,1)模型分析及直接离散GM(1,1)模型的建立

分析了基于一次函数变换的GM(1,1)模型提高预测精度的实质,即模拟序列从原有的纯指数序列变成了非齐次指数序列,并指出提高光滑度并不是提高预测精度的决定性条件,建立了模拟序列为非齐次指数序列的直接离散GM(1,1)模型.该模型不对原始数据做任何改变,实例应用结果表明其预测精度同一次函数变换的GM(1,1)模型相当,指出了改变模拟序列特征使其更接近于原始数据的发展,对于提高预测精度更具意义.     

具有灰指数律数据序列建模方法研究

通过对灰色系统理论建模机理的分析,建立了对于具有灰指数律数据序列的EGM模型,通过模拟试验,验证了该模型对于具有灰指数律数据序列的预测精度高于GM(1,1)模型,表明该模型对具有灰指数律数据序列的预测有效性与适用性.     

基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

基于Box-Jenkins方法的中国年度GDP时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国1966-2006年的年度GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARMA模型,本文也通过模型对中国2007-2010的年度GDP进行了预测.模型实证分析的结果表明:在GDP时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

钢材低温力学性能变化规律的灰色预测方法

目的验证灰色预测系统非等间距GM(1,1)模型对钢材低温力学性能预测的准确性与有效性,以保证钢结构工程服役于低温工作环境的安全性与可靠性.方法应用灰色相关理论,提出基于积分构造背景值的非等间距GM(1,1)预测模型,并用MATLAB对所构建的预测模型编写程序,以常用的钢材(Q235、16Mn、15Mn V、16Mnq、14Mn Nbq)在低温下的力学性能试验数据为初始序列进行灰色预测试验研究.结果力学试验结果表明钢材在低温工作环境中,其主要力学性能指标:屈服强度fy和极限强度fu随温度的降低而提高;断后伸长率δ和断面收缩率ψ随温度的降低而降低;预测结果显示该非等间距GM(1,1)模型预测精度均为一级,小概率误差均为1,最大相对误差2.5%,数据拟合精度高达97.5%.结论非等间距GM(1,1)模型对钢材低温力学性能预测方法精度高,具有很好的工程应用价值.     

基于深度学习和支持向量机的基因结合蛋白预测

针对传统的方法对蛋白质预测的精度低且需要人工提取环节等问题,提出一种基于深度学习和支持向量机的基因结合蛋白预测算法;该算法将卷积神经网络与门控循环单元结合,搜索蛋白质序列,保留蛋白质序列中氨基酸的位置依赖性,利用支持向量机代替神经网络的Softmax分类器对蛋白质的特征序列进行预测;将该模型分别在基准数据集DBP2858和PDB14189上进行对比实验。结果表明,该模型具有更好的脱氧核糖核酸结合蛋白预测能力,并且预测精度和效率均较高。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

基于ARIMA—ANN的时间序列组合预测模型

目前,时间序列预测主要采用基于传统研究方法或人工神经网络技术的单一预测方法.近年来的研究表明,组合预测方法比单一预测具有更高的预测精度.提出了一种基于BP神经网络和ARIMA组合模型的预测新方法,对中国GDP的变化趋势进行了综合分析与预测,预测结果表明这种方法相对于单一的预测方法具有更高的精度,该模型在非平稳时序的预测中的应用是可行、有效的.