Prophet-LSTM混合模型对卷烟投放的预测

建立Prophet-LSTM混合模型,预测烟草公司卷烟投放策略对卷烟市场的影响.采用湖北省十堰市2019年7月到2020年12月的卷烟投放数据,建立Prophet-LSTM混合模型.实验结果表明,ProphetLSTM混合模型有着较好的预测精度,适合对卷烟投放进行预测.     

基于关联规则及组合模型的面料需求预测

由于服装的面料组成具有复杂性,企业在不同时间对不同规格型号面料需求量不一致,传统的人工预测及单维度智能预测模型难以解决问题。针对服装企业面料需求非确定性、预测难的痛点,提出基于关联规则及组合模型的面料需求预测方法。文章首先构建Apriori面料型号关联模型,挖掘多批多类面料间的型号关联规则;然后构建Prophet时间序列模型与长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型Prophet-LSTM,结合其在解决面料需求预测问题上的优势;最后将挖掘出的高关联面料型号历史需求数据作为输入,采用量子粒子群算法(quantum particle swarm optimization,QPSO)优化组合模型权值系数,进行关联面料需求量预测。使用RMES(root mean squared error,RMSE)及MAE(mean absolute error,MAE)作为评价指标设计对比实验,实验结果表明：采用量子粒子群优化的QPSOProphet-LSTM面料需求预测模型RMES较Prophet降低5.464,较LSTM降低1.184;MAE较Prophet降低4.261,较LSTM降低0.819,需求预测精度更高,支持服装企业面料柔性生产。     

基于Prophet-DeepAR模型的Web流量预测

Web流量预测一直是数据中心网络的热点问题,对于提高网络服务质量具有重要意义。由于Web流量具有非线性、自相关性和周期性等复杂特点,对其准确预测有很大的挑战性。为充分挖掘出Web流量的可预测信息,同时使预测模型具有充分的可解释性和可配置性,本文提出一种基于Prophet和深度自回归(DeepAR)的组合预测模型。其中,Prophet是基于时序分解的加性模型,对Web流量的趋势、季节性周期、节假日信息进行建模。同时,使用基于概率预测的DeepAR模型对Prophet残差隐含的自回归信息建模,捕获长短期依赖关系,以减低Prophet残差的方差,并充分捕获Web流量的自回归信息。在真实的Web流量数据集上进行验证实验,结果表明在RMSE和MAE两项评价指标上均优于对比模型,验证了该组合模型的有效性。     

基于神经树的时间序列预测

提出了一种新的神经树模型来进行时间序列预测。采用语法引导的遗传编程来进化神经树的结构以建立一个时间序列预测模型,并把它和基于神经网络的时间序列预测模型的性能进行比较,结果显示本文提出的神经树时间序列预测模型较神经网络模型有更高的可信度。     

基于组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,本文分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具。根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤。     

基于 GM(1,N)-Prophet组合模型的电商行业销售预测研究

[目的/意义]电商平台行业预测受到诸多因素的影响,预测结果的准确性对其促销策略的制定具有重要意义.[方法/过程]以京东电商平台办公行业成交金额作为预测对象,通过灰色关联分析找出关键影响因素,采用GM(1,N)进行销售预测,并对结果误差进行分析;再引入Prophet时间序列模型进行优化,最后对优化结果进行对比分析.[结果...     

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测:经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值...     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

基于LSTM与XGBoost组合模型电价预测

为准确预测电力市场中的短期电价,提出了基于LSTM和XGBoost的组合预测模型。为了验证LSTM-XGBoost模型的有效性,该文先选用法国电力市场2019年1月1日至2020年12月31日的电价数据为训练集训练模型,对2021年1月1日不同模型预测的结果与实际电价值进行对比,得到LSTM-XGBoost以RMSE为0.74的误差率低于BP、LSTM、XGBoost的3.80、1.25、0.88,然后将算法应用到美国PJM电力市场,结果表明本文提出的LSTM-XGBoost组合预测模型MAPE平均值为1.83%,明显低于单一预测模型,也显著低于GRU-XGBoost组合模型,表明并非所有模型单一组合都能有效提高预测精度,该文提出的LSTM-XGBoost组合模型有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

LSTM和Prophet模型在肺结核发病数预测中的应用

为预测肺结核发病数,建立了两种能够较为精确描述以及预测肺结核发病数的模型.根据中国疾控中心提供的2007年7月至2019年6月肺结核发病数的数据,运用LSTM模型和Prophet模型对中国肺结核发病数进行预测,并将该两种模型的预测性能与ARIMA、GM(1,1)模型进行对比.结果表明,Prophet模型预测性能最佳,其MAE值与RMSE值分别为5 124.33、5 905.32,LSTM模型预测性能次之,ARIMA模型预测性能最差.     

基于粒子群-投影寻踪和遗传-神经网络集成的预测模型

  针对预测对象和预测因子存在复杂的线性和非线性关系的特点,利用自然正交展开方法进行线性降维,以及用粒子群 投影寻踪方法进行非线性降维,将高维的非线性数据投影到低维子空间上,构造了一种遗传 神经网络预测模型。在此基础上,应用该预测模型对影响华南的台风频数进行了预测试验,并将预测结果与统计回归模型的预测结果进行对比分析。结果表明,文中构建的非线性集预测模型,对台风频数有较好的预测效果,5 年预测的平均绝对误差为0.81个, 平均相对误差为13%,预测结果比统计回归模型有明显的改进。该文的结果可为进一步探索研究其他领域的预测建模提供了一种新的参考思路和方法。     

遗传算法在建筑物沉降预测中的应用

结合遗传进化算法的全局优化思想和时间序列分析的基本理论,提出了一种新的基于遗传算法的建筑物沉降非线性动力学行为预测模型进化识别算法。设计了模型结构和参数分别进化,共同识别方案,实现对非线性时间序列分析模型结构和参数进行全局最优搜索。实例分析结果表明：该方法具有较好的预测精度和推广预测能力,为高大建筑物沉降预测提供了一个有效的分析工具。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

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.     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

基于ARMA-GARCH模型的南宁市O3浓度预测研究

为探索采用时间序列模型快速预测臭氧浓度,以南宁市日均O_3浓度数据作为研究对象,收集2017年1月1日至2017年12月31日O_3日均浓度时间序列,构建ARMA-GARCH模型,对2018年1月1日至2018年1月31日O_3日均浓度进行预测。研究结果表明,构建的时间序列模型预测值拟合曲线基本能与实测值保持一致,经检验发现,在拟合曲线峰、谷值及其前后容易出现较大误差,短期预测结果较准确。     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

基于CEEMDAN-NAR-ARIMA组合模型的桥梁监测应变预测

提出了一种基于CEEMDAN-NAR-ARIMA的组合模型用以预测桥梁SHM监测应变数据。针对经典时间序列理论对模态混叠的数据无法有效预测的问题,采用了CEEMDAN方法对桥梁SHM应变监测数据进行了分解,并使用PE方法将分解得到的大量分量按照随机程度进行分类重组形成数个新数据序列,最后结合NAR动态神经网络和ARIMA模型分别对每个新数据序列进行预测并叠加得到了最终的预测值。将该方法用于上海市某座斜拉桥的SHM应变数据预测,结果表明,该方法相比于经典时间序列理论提高了预测的准确性,具有良好的工程应用价值。     

粒子群多层感知器在地震预报中的应用研究

地震预报是地理问题研究中的一个重要方面,准确的地震预报可帮助人们及时采取有效措施,降低人员伤亡和经济损失.为实现地震预报,多层感知器已被看作是较传统统计方法如AR IMA更有效的一种技术.但多层感知器的训练,通常用BP算法,常会遇到收敛速度慢、易过拟合、易陷入局部最优等缺点.在这项研究中,采用最新提出的粒子群优化训练多层感知器用于地震预测.仿真结果表明,使用粒子群优化算法训练多层感知器与BP算法相比,具有较快的收敛率、较高的预测精度.