基于条件异方差分析的水文时序模型及其应用

针对条件异方差现象在水文过程的时序研究中常被忽略的情况,建立了水文过程时间序列分析和预测模型. 首先, 利用CensusX12分解水文时序,由其得到的周期项与趋势项分别建立相应的条件异方差模型;其次,对于分解序列后得到的残差项,建立基于BX数据生成的灰色Markov预测模型; 再次, 将三个模型进行耦合,编制了算法流程,由此提出了一种基于条件异方差的水文时序分析与预测模型;最后以河南省淮河流域的鲇鱼山水文站1975--1999年逐月的径流量为例进行了应用验证. 研究结果表明:提出的模型从预测效果来看, 总的平均偏差只有17.42%,其精度要明显高于常规的水文时序分析中ARCH和ARMA(1,1)等传统方法.     

基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在. 传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响. 本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合 核函数,并植入SVM中,对水文时序建立自回归预测模型. 基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及 均方误差明显优于任一单一核函数. 这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度. 该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在.传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响.本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合核函数,并植入SVM中,对水文时序建立自回归预测模型.基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及均方误差明显优于任一单一核函数.这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度.该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

基于卷积长短时记忆网络的短时公交客流量预测

针对传统的短时客流预测方法没有考虑到时序特征中跨时段客流之间的相似性问题,提出一种改进k-means聚类算法与卷积神经网络和长短时记忆网络相结合的短时客流量预测模型k-CNN-LSTM。通过k-means算法对跨时段时序数据进行聚类,使用间隔统计确定k值,构建交通流矩阵模型,采用CNN-LSTM网络处理具有时空特征的短时客流。该模型能够对具有空间相关性的数据进行较为准确的预测。使用真实数据集对模型进行检验和参数调优,实验结果表明：k-CNN-LSTM模型较其他模型有相对较高的预测精度。     

基于系统聚类的北京气温变化过程遍历特征分析

气温变化过程遍历性研究是中长期气象预报的基础.以北京地区气温过程为例,分别研究了北京月最高气温、最低气温、平均气温序列的遍历特征.首先,基于系统聚类分别将各类气温以月为个体进行聚类;其次,以类为单位通过自相关图排除周期性序列,利用ADF检验其余序列的平稳性;再次,对通过平稳性检验的序列进行遍历性分析,包括均值遍历与协方差遍历两方面.研究结果表明,北京6、7、8月份最高气温月际年变化序列有均值遍历性特征,4、10月份最低气温序列则有过程遍历性.从长期趋势看,两类气温序列都围绕其均值上下波动,在4、10月份最低气温的月际年变化序列中,前期气温值对后期气温变化的影响是相对稳定的.最后,还开展了印证性分析和挖掘性分析,从遍历性的角度,佐证了前人的一些研究成果.     

基于离散小波分解的水文随机过程平稳性检验方法

检验环境变化影响下水文过程是否保持平稳性是开展水文分析与计算、水文模拟预报等的重要前提,本研究提出了水文随机过程平稳性检验方法,首先利用离散小波变换分离水文序列中的确定成分与随机成分,然后选择合适方程描述随机成分,利用Akaike information criterion和Bayesian information criterion计算最优时间滞后阶数,再采用单位根检验方法判别随机成分是否具有平稳性.人工生成序列和实测水文序列分析结果均显示,周期和趋势对随机成分的平稳性检验有很大影响,随着序列信噪比增大,检验结果的准确性变差.相比常规方法直接对原序列进行分析处理的做法,所提方法可首先准确分离确定成分并克服上述因素的干扰,因此较常规方法更加有效,进而可以得到更为合理的水文序列平稳性检验结果.     

数据特征驱动的火电产能过剩分解集成预测模型

有机融合数据特征驱动与多模态信息集成建模思想,构建了中国火电行业产能过剩组合预测方法和模型.首先识别火电产能过剩规模时序数据的本质和模式特征,发现其不仅具有非平稳,非线性特征,还呈现高复杂性和突变性;其次采用与数据特征相配的变分模态分解方法将时序数据分解,得到多个分量;然后识别各分量的数据特征,据此选择三次指数平滑-最小二乘支持向量机模型进行预测;最后集成各分量预测结果,得到火电产能过剩规模的最终预测结果.实证检验表明,所构建模型的预测水平精度,方向精度和稳定性均优于目前广泛使用的单一模型和其他组合预测模型.预测结果显示,2020-2022年中国火电产能过剩规模仍处于较高水平,呈先降后升趋势,且体制扭曲仍将是火电产能过剩的决定性因素.     

自适应信号控制系统流量预测模型研究

为研究适合自适应信号控制系统的流量预测模型,利用ARIMA模型进行数据预处理的基础上,考虑高阶神经网络收敛速度慢及易陷入局部最小点的特点,通过在线调整学习率及引进动量法对其进行改进,得出基于ARIMA与改进的高阶神经网络的组合预测模型,试验表明预测的交通流量满足自适应信号控制系统实时在线多频优化的时间及精度要求.     

北京市知识密集型服务业增加值的 Markov SCGM(1, 1)C预测模型

将1991-2009年北京市知识密集型服务业增加值作为原始数据序列, 对部分统计信息修正后, 应用单因子系统云灰色模型拟合时序数据的总体趋势; 然后将所得相对误差作为随机波动过程, 用马尔柯夫链原理对其状态进行预测; 最后综合运用MarkovSCGM(1, 1)_C模型, 对未来3年北京市知识密集型服务业增加值进行了预测, 结果表明具有良好的预测精度.     

基于小波分析的股指期货高频预测研究

基于低频金融数据的预测,在时间上具有长期性,依赖于整体经济环境,不能形成短期内的准确预测.但是由于高频金融时间序列具有非线性、非平稳性以及其特有的日历效应等特性,传统的ARMA模型也无法得到满意的预测结果.本文提出基于小波多分辨率分析的预测方法,将收益率数据分为高频部分(周期性)与低频部分(趋势性),对拆分后的序列进行重构,并对重构后得到的数据分别建立ARMA模型.实证研究表明,小波多分辨率分析能很好地滤出日内效应,由于股指期货独特的市场特征,应将分解层数定为3,分解重构模型可以提高预测精度.