粮食作物产量的分析与预测——以广东省为例

本文采用时间序列分析方法对广东省1978-2010年的粮食作物产量数据进行序列拟合,建立相应的时间序列模型,并以此模型对该列数据进行未来5年的预测,可以为粮食作物产量数据的分析、预测提供一种参考资料。     

基于预训练交互式图神经网络的多元时间序列异常检测

多元时间序列异常检测是数据挖掘领域中的一项重要应用.基于深度学习的异常检测方法已经取得了重大进展,但其仍然存在一定的局限性.首先,是它们假设训练数据仅由正常数据组成,而忽略了异常数据可能导致的不可预测性;其次,大部分方法并未考虑到时间序列的独特特性.为了解决上述问题,基于预训练提出了一种新颖的用于多元时间序列的异常检测框架.框架由预训练模块和预测模块组成,首先预训练模块通过学习时间序列的密集向量表示,增强其可预测性,然后预测模块中充分利用时间序列的独特特性捕获其时间依赖.通过广泛的实验证明了所提出的模型的有效性,在三个真实数据集上均显著优于最先进的模型.     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

小波在金融时序预测中的应用

利用小波函数的局部化性质,对非平稳时间序列股票开盘价数据进行分解,然后再进行M allat重构。这样就得到了原始数据的近似信号,再应用传统时间序列预测方法ARMA（p,q）模型对重构后的数据进行预测,将预测结果与实际值进行比较,可得小波分析方法预测效果比较理想。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的 Lyapunov指数预报分析方法 ,并应用混沌方法对气象预测时间序列进行处理 ,把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数 D2 和 Lyapunov指数。结合实际例子对 Lyapunov指数预测方法进行了验证。     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

基于Lyapunov指数的预报方法及在气象预报中的应用

介绍了混沌时间序列的Lyapunov指数预报分析方法，并应用混沌方法对气象预测时间序列进行处理，把其混沌特性应用于气象预报中。根据气象时间观测数据计算了重构相空间嵌入维数D2和Lyapunov指数。结合实际例子对Lyapunov指数预测方法进行了验证。     

趋势拟合法在旅游人数分析中的应用

对吉林省四平市近十年境内旅游人数数据,应用非平稳时间序列分析方法中的趋势拟合法,使用SAS统计软件,提取出了四平市近十年旅游人数的确定性的长期趋势,并为该数据建立了回归拟合模型,用条件最小二乘法得到了该模型参数的估计值,最后应用F检验和t检验分别对该回归方程以及回归系数进行了检验.结果表明,所建立的回归方程和回归系数都是显著的,该模型可以用于对四平市未来旅游人数进行统计分析与预测.     

时间序列分析在吉林省进出口贸易总额预测中的应用

时间序列分析是根据观测的时间序列数据,通过曲线拟合和参数估计建立数学模型的理论和方法,目前广泛地应用于社会、经济和生活预测等问题,一般只适用于短期预测。该文基于时间序列分析理论,借助于计量经济学软件Eviews8.0,通过对1984—2011年吉林省进出口贸易总额数据进行系统分析,建立了时间序列模型,并对2012-2015年的吉林省进出口贸易总额进行了预测和分析,得到了与实际比较吻合的结果,以期为吉林省对外贸易的合理规划和决策提供一定的理论依据。     

基于注意力机制的LSTM长江汛期水位预测方法研究

为提高长短期记忆网络(Long Short-Term Memory,LSTM)在水位预测任务中的准确性,以及提高LSTM对数据中时空信息的利用率,本文提出了一种基于Softmax函数的注意力模块,并将其应用在LSTM的输入前,使模型可以根据输入数据中的时间和空间信息,自主地生成带有权重的词义向量,并赋予输入序列时间和空...     

基于时间序列算法的电力无功测量

为了对电力系统的无功进行有效的控制,必须对无功进行预测.对无功的预测也就是对系统功率因数的预测.利用时间序列分析方法,建立了3种预测模型,分别是自回归模型、滑动平均模型和混合模型.通过对3种模型的比较,最终选用混合模型的时间序列分析方法对电力系统的功率因数进行预测.经实测检验,混合模型分析方法的误差非常小,表明该方法具有一定的实用价值.     

基于Python的瓦斯浓度ARIMA预测模型构建及其应用

针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.     

基于ARIMA风电机组齿轮箱故障趋势预测方法研究

针对齿轮箱计划外停机和意外故障导致的风电机组安全运行问题,提出了一种基于ARIMA模型的故障趋势预测方法;方法可以处理具有非线性和非平稳性特征的齿轮箱运行状态监测数据,用以时间序列的自相关分析为基础的模型预测状态监测时间序列数据的趋势变化;选择生产现场采集到的齿轮箱油泵出口压力SCADA数据和运行实例验证了方法的有效性,实验结果的拟合效果令人满意;研究结果表明方法能够适应齿轮箱运行状态监测数据随时间的变化特征,反映出一定的运行状态变化趋势,具有较好的预测精度和较大的应用范围,对风电机组其他部件的故障趋势预测具有一定的应用参考价值。     

基于 PN 学习的软件模块缺陷预测模型研究

PN学习作为一种新型的二元分类器,对结构化的无标签数据有较好的分类性能.软件模块缺陷预测中对无标签样本数据的分类直接影响着预测结果的准确性和可靠性.提出了基于PN学习方法的软件模块缺陷预测模型,结合灰色关联分析方法对实验样本进行降维处理从而提高模型的运算速度.通过实验和分析,证明了本方法的有效性.     

裂纹木工带锯条横向振动位移的扩展分析与预测

为给木工带锯条在线故障诊断提供技术依据,利用时间序列分析理论和Eviews 8.0软件,系统分析MJ3210型跑车木工带锯机产生裂纹缺陷后的带锯条横向振动位移数据;建立时间序列模型,预测、分析裂纹扩展下带锯条的横向振动位移变化,得到与实际数据比较吻合的结果.研究结果充分说明时间序列分析可以成为带锯条裂纹研究与预测的一个新方法.     

运用时间序列对上证综合指数进行预测分析

运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析 ,得到了较高的预测精度 ,为预测股票市场的整体走势提供了一种方便实用的方法 .     

高频GPS桥梁动态监测及数据特征信息识别

在GPS单历元定位方法的基础上,利用GAMIT/GLOBK10.4中的双差动态定位模块Track模块,对振动桥体的实测数据进行了解算,得出了桥梁的振动时间序列;采用小波分析方法对桥梁振动时间序列进行频谱分析及小波消噪处理,得到了桥梁在荷载作用下的主振频率范围及两个主要周期项,最后利用对每层高频系数进行软阈值处理方法得到去噪后的时间序列.     

中国人口数量的时间序列分析

本文运用时间序列模型（ARIMA模型）对中国人口进行分析与预测,应用Eviews6．0软件对1949～2007年中国人口数据进行拟合,建立ARIMA模型,运用2008～2010年的人口数据来验证模型,并对2011年的总人口数进行了预测。