贝叶斯理论在光栅动态误差预报中的应用

针对实际测量过程中需要对数据量较少的非平稳性误差进行随机序列建模预报。提出了贝叶斯动态测量误差序列的预报方法。该方法不要求较大的数据量，对序列平稳性无限制，而且在预报过程中间隔插入标准量能有效提高预报精度。设计了一个光栅测长仪动态误差测量实验系统，利用贝叶斯预报方法对其动态误差数据进行建模预报，验证了贝叶斯预报方法的适用性和可行性。     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

局部反馈函数联接网络及其应用

结合时间序列分析提出了一种具有局部反馈回路的函数联接网络（ＬＲＦＬＮ）模型，并利用ＬＲＦＬＮ对非线性时间序列进行了建模与预报，对网络扩展函数选取，初始权集的设定，以及网络结构选择和学习算法进行了研究，同时，通过对模拟数据和机切削颤振数数据的建模与预报，将其与常用的时间序列模型（ＡＲ，ＡＲＭＡ和指数自回归模型）以及ＢＰ网络进行比较，研究结果表明该方法是可行和有效的。     

黄水沟年均流量非平稳序列混合模型的建立与预报

本文将黄水沟水文站历年年均流量Q（t）序列分解为趋势、周期、平稳函数项和噪声项，建立了非平稳时间序列混合模型，对建模年限内的Q（t）序列作了模拟检验，对建模年限未来2年的Q（t）值作了预报；预报结果符合国家水文情报预报规范要求，可供生产实践参考。     

ARMA 模型超定快速建模及其在水文预报中的应用

研究了ＡＲＭＡ模型超定快速算法及半参数预报。给出了建模及预报步骤，并对水位预报问题进行了分析，得到预期的结果。     

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.     

智能健康住宅监护数据分析方法的研究

智能健康住宅为缓解人口老龄化的压力和优化医疗资源配置提供了重要手段。其特点是在家庭环境下提供各项生命体征参数监测,并对监护数据自动分析处理。本文提出了以时序建模为基础的分析方法。此方法由三个部分构成,包括模型辨识、模型更新、以及基于模型的预报区间确定。模型阶数基于最终预报准则确定,使得模型能更好的符合观测数据。基于自适应滤波器算法对模型参数进行在线更新,确保模型能更好的描述监护数据的动态特性。根据建模结果,作前向30步预报,确定预报区间。从而实现对监护数据中的平稳、异常值、以及状态变化三种特征模式的识别。通过应用PhysioNet中的三组数据集进行实验研究。实验结果表明此方法的预报结果准确,能实现对于智能健康住宅中连续监测获得的数据进行在线分析。     

智能健康住宅监护数据的分析方法

智能健康住宅为缓解人口老龄化的压力和优化医疗资源配置提供了重要手段,其特点是在家庭环境下提供各项生命体征参数监测,并对监护数据自动分析处理.文中提出了以时序建模为基础的智能健康住宅监护数据分析方法.此方法由3个部分构成,包括模型辨识、模型更新以及基于模型的预报区间确定.模型阶数基于最终预报准则确定,使得模型能更好地符合观测数据.基于自适应滤波器算法的模型参数在线更新,能确保模型更好地描述监护数据的动态特性.根据建模结果,作前向30步预报,可确定预报区间.据此,可实现对监护数据中的平稳值、异常值以及状态变化3种特征模式的识别.通过应用PhysioNet中的3组数据集进行实验研究,发现文中方法的预报结果准确,能实现对智能健康住宅中连续监测数据的在线分析.     

基于格点场数据的沙尘暴双预报模型

为提高沙尘暴预报的准确率，以描述大气环流形式的物理场格点数据作为建模样本，采用自组织神经网络对物理格点场数据样本进行聚类，构建出由大规模阵列式数据格式表示的建模样本的低维特征，再用模糊神经网络综合建模样本的一般性规律，用非典型样本进行二次建模以反映建模样本的特殊性，并设计隶属度调整方案对一般性和特殊性进行协调，由此形成兼顾建模样本一般性和特殊性的双预报模型．测试结果表明，基于特征提取方案的双预报模型体系使沙尘暴预报准确率达到80．4％．     

汕头市空气质量预报模型的建模和修正方法

应用时间序列分析法中的自回归模型进行城市空气质量预报，是目前国内已开展城市空气质量预报城市所普遍采用的统计学方法之一。由于其理论上的缺点，在预报城市空气质量的时候需要对其进行修正，本文通过论述我市模型的建模和修正方法，希望对将要开展或正在开展空气质量预报的城市起到借鉴作用。     

基于AR模型的低轨卫星大气密度建模与预报

研究了采用时间序列分析进行低轨卫星大气密度的建模与预报。通过对低轨卫星历史和当前的大气密度进行时间序列建模、频谱分析,可以获得未来数个轨道周期内大气密度的预报模型,并结合GRACE卫星加速度计反演的大气密度数据进行了详细分析。研究结果表明:GRACE卫星一个轨道周期内的密度预报模型是以轨道角速度和时间表示的最高次数为2的傅里叶级数。与三维密度模型相比,这种密度预报模型仅与历史的大气密度有关、所需模型参数少,可为今后在卫星定轨和轨道预报工作中大气密度的建模和预报提供新的思路。     

神经网络在工程时间序列预报问题研究中的应用

对岩土工程中时间序列预报问题进行了研究。灰色模机理研究表明，灰色建模存在若干问题，因此，在处理岩土工程中时间序列预报问题时，要慎用灰色系统建模。探讨了岩土工程时间序列与神经网络间的联系，论证了神经网络的函数逼近能力，建立了基于神经网络的岩土工程时间序列预报模型。研究了实例表明，该模型的预报精度高，为解决岩土工程中时间序列预报问题提供了一条崭新途径。     

季节性模型的建模及其应用

主要讨论李节性模型的识别与建模步骤，并编制程序借助计算机进行参数估计与预报，以月平均气温为实例进行模拟建模，其结果较佳。     

RBF网络在线建模方法在热误差实时补偿技术中的应用

应用径向基(RBF)神经网络模型的学习性能,对一台数控加工中心的主轴温度与主轴径向热误差关系分别进行离线建模与在线建模对比研究,并将2种建模方法用于实例分析.结果表明,RBF神经网络模型能够反映数控机床的热特性,准确实时预报机床热误差.当工况发生较大变化时,在线建模能够及时补充系统信息,更好地反映机床系统热性能,从而精确预报机床的热误差,提高了误差补偿效果.     

巷道围岩变形的有限元分析及灰色模型预报

介绍了采集力学参数、建立计算模式的有效方法，应用有限元结构分析软件ALGOR实现分别建立、统一联接(COMBSST)生成了支护与围岩相互作用的三维有限元模型，分析了模型各结点的位移及受力情况，计算了巷道围岩变形；又应用灰色系统理论对围岩未来力学行为及可能出现的破坏进行了预报，并对灰色模型的建模条件和预报精度作了分析比较；为巷道支护设计和围岩控制提供了理论依据。     

智能预报模式与水文中长期智能预报方法

建立了以模糊优选、BP神经网络及遗传算法有机结合的智能预报模式与方法。在应用该方法进行中长期水文智能预报时，首先选取训练样本的数量，根据预报因子与预报对象的相关关系得到相对隶属度矩阵;再将其作为BP神经网络输入值以训练连接权重；最后将得到的连接权重值用于预报检验。计算结果表明，智能预报模式与方法的运行速度、精度及稳定性都达到了实际应用的要求。     

基于对角递归神经网络的建模及应用

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性.     

区段巷道收敛观测序列的门限自回归分析

本文概述了非线性时序分析的门限自回归模型的基本原理、建模和预报方法；建立了不同支护结构、不同收敛速率和大小的两个全煤区段运输巷道的收敛观测序列模型，并进行了有效的预报。     

面向用户的Internet链路状态探测与预报

构造了一个面向Internet一般用户的探测链路当前状态与预报未来状态的框架．利用pathchar和packetpair等探测方法与工具来测量网络路径延迟，得到网络链路的带宽等状态参数，并采用TCPdump对用户所在局域网的网络业务进行收集与建模．用户根据探测的链路带宽和本地网络的业务状态，对未来状态进行预测，并主动控制自己的网络行为．利用EVT，提高了链路带宽估计的精度，使用RARIMA模型，对网络业务和链路状态进行预报．实际到量与预报数据表明本方法是正确有效的．