基于多变量时间序列模型的高含水期产量预测方法

针对油田高含水期地质条件复杂、地层物性变化多样导致产量预测正确率低的问题,提出一种基于多变量时间序列模型即多变量长短期记忆神经网络(LSTM)的产量预测方法。在基于极限梯度提升算法(XGBoost)筛选产量主控因素的基础上,建立综合考虑产量与地质、开发等影响因素之间相关性特征,并兼顾产量自身的时序性变化特征的产量预测模型;实验选取中国某中高渗透砂岩区块油田生产历史数据进行高含水期产量预测模型的训练和测试,并与单变量长短时记忆模型以及其他全连接网络模型结果进行比较。结果表明：该方法具有较好的预测性能,新模型克服了传统全连接神经网络无法描述产量时序数据相关性,以及单变量LSTM无法表征高含水期产量变化受多因素影响的问题,有效地提高了油田高含水期产量预测的准确性。     

温特斯模型参数并行求解方法与应用

针对能源生产中压缩空气日产量具有明显周期性和规律变化的特性,提出了一种基于霍尔特-温特斯模型的参数并行计算预测方法。从时间序列分析、指数平滑以及最优平滑系数的并行求解入手,建立了压缩空气日产量预测模型。实验结果表明该预测模型在提高运算速度的同时具有较高预测精度。     

基于深度森林算法的油井产量预测研究

为了克服传统机器学习算法产量预测模型的缺点,以深度森林算法理论为基础,综合油井相关各项数据,建立了油井产量预测新模型。首先应用KNN最邻近方法和Z-Score标准化方法对油井相关数据进行预处理,利用MDI特征选择方法选择对油井产量影响最大的特征向量,然后将选出的特征向量作为深度森林模型的输入变量,建立深度森林产量预测模型,利用网格化搜索优化模型参数,最后在测试集上运行模型,对模型性能进行评估。研究结果表明,相对于BP神经网络等传统机器学习算法模型,深度森林模型的产量预测精度更高,可以准确预测油井产量,同时相对于深度神经网络等复杂学习算法,该算法参数少、调参及应用简单,为油井产量预测提供了一种新的方法和思路。     

基于 KPCA-AGRU 神经网络的火电机组 NO x排放预测

针对火电机组锅炉燃烧过程中预测 NOx 排放过程存在的非线性和时序性特点,提出一种基于核主成分分析 (KPCA)和注意力机制(AM)的门控循环神经网络(GRU)氮氧化物预测模型。 首先选用 KPCA 对模型的输入变量 进行降维,消除冗余变量;其次,将筛选的变量数据作为 GRU 的输入,并采用网格搜索优化 GRU 的超参数;最后, 引入 AM 计算权值,实现区分输入特征功能,提高 NOx 预测模型精度。 通过某 330 MW 电站锅炉实际数据对 AGRU 预测模型仿真验证,并将 AGRU 模型、GRU 模型和 BP 神经网络模型的预测结果进行对比。 结果表明:基于 AGRU 的 NOx 预测模型的均方根误差和平均绝对误差较 BP 神经网络和 GRU 模型均有减少,可精准预测非线性时序燃 烧过程的 NO x 排放。     

基于注意力机制的CNN-GRU船舶交通流预测模型

为更准确地预测内河船舶交通流，提出基于注意力机制的CNN-GRU船舶交通流预测模型。该模型主要借助一维卷积单元提取数据的高维特征，GRU单元学习数据中的时序特征，并通过引入注意力机制加强重要特征的学习，实现对超长序列的学习。此外，通过分析内河上下游航道交通流间的关联性，提取长江中下游6个航段的船舶AIS数据，构造多航段船舶交通流序列数据集，并将其输入本文模型中进行训练及测试。结果表明：相比序列预测模型中的SAE、LSTM、GRU、CNN+GRU和GRU+Attention,本文模型在针对不同交通流参数的预测中均具有更高的预测精度，交通流量、交通流密度和交通流速度的预测精度分别达到95.42%、97.33%、94.99%,可更好地满足工程应用需求。     

基于PSO与多变量支持向量机的通信基站能耗预测

为准确预测通信基站的能耗,提出了一种基于微粒群算法与多变量支持向量机(PSO-MSVM)的通信基站能耗预测模型。该模型基于温度和日期两个重要因素,运用MSVM建立通信基站能耗预测模型;采用PSO对模型核函数中的参数c和ε进行优化整定,以提高算法效率。湖南某地区通信基站的测试结果表明:与最小二乘法相比,PSO-MSVM的预测结果更接近基站实际能耗,预测精度达93.8%以上,表现出良好的工程价值。     

人口增长率的非参数自回归预测模型

针对传统的人口增长预测模型不能理想地捕获我国人口增长率数据的非线性性特征，本文基于局部线性非参数估计理论，对我国建国以来的年人口增长率建立了非参数自回归NAB．（1）模型，并对2000年-2003年的年人口增长率进行了预测，计算结果表明，相对于参数自回归模型而言，非参数自回归模型能够很好地解决人口增长预测这一非线性问题，预测精度较高．     

基于独立模型的非线性时间序列多步超前预测

提出一种非线性时间序列的多步超前独立预测方法. 对比逐步递归方法和独立预测方法, 分析了积累误差对多步超前预测性能的影响. 采用递归神经网络(RNN)实现了独立预测方法, 建立了城市轨道交通能耗预测模型. 通过MATLAB训练和测试该模型, 比较了两种方法下的多步超前预测输出. 结果表明,独立预测方法的误差优于逐步递归方法. 最后指出了独立预测方法的优缺点及适用范围.     

基于支持向量机的地区电网短期负荷预测模型研究

支持向量机是一种针对分类和回归问题的统计学习理论,是一类基于结构风险最小化原则的新型机器学习算法。其基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻求输入变量和输出变量之间的非线性关系的精确描述。本文构造了基于支持向量机的地区电网短期负荷预测模型,该模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的预测模型能获得满意的预测精度。     

基于非参数回归的遗传神经网络集成股市预测研究

利用遗传算法改进神经网络集成个体的连接结构和初始连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用非参数回归生成集成结论,求出非线性时序函数的全局最优解,随即建立新型的基于非参数回归的遗传神经网络集成股市预测模型.仿真结果表明,该模型预测精度高,可操作性强,具有一定实用性.     

一种静态和动态分支预测的组合方法研究

随着指令发射宽度和流水线深度的增加,分支预测成为影响现代微处理器性能的重要因素.传统分支预测策略的静态和动态分法并未充分利用二者各自的优点.提出了一种将静态分支预测和动态分支预测策略相组合的分支预测方法,然后用SPECint95基准程序对其性能进行了评估,仿真实验结果表明,提出的分支预测方法比传统的gshare预测器具有更高的预测准确率,并且与许多其它动态预测器相比,其硬件开销要小得多.     

多层递阶预报方法及其改进

发展了多层递阶预报方法,把离线的算法改进为在线的算法,这种方法不仅计算简便,计算量小,而且省计算机储存,便于在计算机上实现。     

Introduction and systematic assessment for IAP numerical annual climate prediction system

The IAP numerical annual climate prediction system has been presented in this paper. In order to evaluate this annual prediction system, annual ensemble hindcast experiments over a 21-year period from 1980 to 2000 have been done. Systematic assessment shows that this annual prediction system has higher predictability for summer climate in tropic than in extra-tropic area, and higher predictabilities over ocean than over land for the fields of precipitation, sea level pressure and surface air temperature; for 500 hPa geopotential height field, the predictability assuming a zonal distribution decreases from tropic to middle-high latitudes, and in China it is the highest among those of all fields. Correlation analysis shows that the prediction ability of IAP annual prediction system to summer temperature is higher than that to precipitation, and the prediction skill can be remarkably improved by the correction system. Furthermore, the comparison between annual and extraseasonal hindcasts indicates that precipitation hindcasted extraseasonally is better than that done annually, and the major discrepancy exists in middle-high latitudes.     

改进型广义预测控制

基于Clarke(1987)等提出的广义预测控制,采用1步预报避步递推的方法,代替原文中递推求解丢番图方程进行大范围预测,在此基础上得到改进型的广义预测控制。新的控制算法节省了计算时间,便于微机实现。仿真结果证明了本方法的可行性。     

A new advance in El Nino prediction

A statistic model of predicting El Niño based on the multiple regression analysis is developed by using sea surface temperature anomalies in the NINO3 region (5°S-5°N), 90–150°W) as a predictant and the Asian meridional circulation index as the predictors. This model cannot only simulate most of El Niño during 1950–1980 (except for El Niño in 1965), but also hindcast 1982/1983, 1986/1987, 1991/1992 and 1994 El Niño and predict 1997/1998 El Niño six months in advance. At the same time, three different sample series (periods of 1950–1969, 1970–1989, 1950–1989) are used to examine the stability and skill of the statistic model. The models have successfully hindcasted and predicted El Niño before and after the selected samples except for the 1965 El Niño. In addition, the forecast in the El Niño year is clearly superior to that in the following year. The model prediction reaches the lowest skill during March to April.     

A new advance in_~El Nio prediction──The next El Nio will occur in 1997-1998

A statistic model of predicting El Nio based on the multiple regression analysis is developed by using sea surface temperature anomalies in the NINO3 region (5°S-5°N), 90-150°W) as a predictant and the Asian meridional circulation index as the predictors. This model cannot only simulate most of El Nio during 1950-1980 (except for El Nio in 1965), but also hindcast 1982/1983, 1986/1987, 1991/1992 and 1994 El Nio and predict 1997/1998 El Nio six months in advance. At the same time, three different sample series (periods of 1950-1969, 1970-1989, 1950-1989) are used to examine the stability and skill of the statistic model. The models have successfully hindcasted and predicted El Nio before and after the selected samples except for the 1965 El Nio. In addition, the forecast in the El Nio year is clearly superior to that in the following year. The model prediction reaches the lowest skill during March to April.     

汉语元音的非线性预测

最近研究表明非线性的局部模型是最精确的混沌时间序列预测方法之一．同时有研究表明汉语的产生过程包含非线性．传统的语音处理技术忽视了语音中可能存在的非线性结构，因而限制了处理能力的进一步提高．对汉语元音／a／和／u／的细致相空间分析结果表明，汉语元音的重构相空间有类似于混沌吸引子的结构．根据汉语元音发声过程的非线性特性，进一步对其进行相空间的局部线性预测分析，计算了预测误差随预测步长的关系曲线，讨论了嵌入维数对预测性能的影响，并且与传统的线性方法作了比较．结果表明，尽管非线性的局域线性预测法存在计算开销大的问题，但其预测视野要远大于线性预测法，总体预测性能明显优于线性预测法．     

有限预测混合交叉有效平滑法

在信号去噪声中 ,要同时去除脉冲噪声和白噪声 ,并保持信号的突变现象 ,有一定的困难。研究了左预测和右预测 ,及交叉有效 (CV)平滑法 ,并证明了 CV平滑中的两个限制条件。提出了有限预测混合 CV平滑法去噪 ,能同时达到以上目的。分析了该方法的根信号特征。并通过模拟试验检验了该方法 ,并与有限混合中位数滤波 (FMH )法和自适应小波收缩法 (WSA )作了比较 ,试验结果说明了该方法是切实可行的 ,并优于 FMH和 WSA。     

基于最优组合预测模型的电力负荷预测研究

电力负荷预测是电力规划及安全运行的基础,提高预测精度是电力负荷预测研究的重点,由于负荷预测的变化性和不确定性,单一的预测模型很难满足所有的预测情况;组合预测是将各个单项预测所得的结果选取适当的权系数进行加权平均的一种预测方法;采用灰色和时间序列作为单项预测模型,然后进行最优组合建立组合预测模型进行电力系统短期负荷预测;仿真实例表明:最优组合预测模型比单项预测模型具有更高的预测精度,具有一定的优越性。     

基于多重多元回归的焦炭质量预测模型

 焦炭质量预测是焦化企业进行焦炭质量控制的重要方法。在诸多生产因素已固定的条件下,焦炭质量主要取决于原料煤性质。用煤质指标预测焦炭质量是焦炭质量预测的重要方法。考虑配合煤煤质指标和焦炭质量指标的多元性和相关性,采用多重多元回归分析技术,将焦炭质量的各指标作为一个整体,建立配合煤煤质指标对焦炭质量的预测模型。基于偏最小二乘回归思想,采用预测误差平方和（PRESS）和预测的方差验证回归模型的预测能力。根据实际焦炭生产建立的焦炭质量预测多重多元回归模型的显著性检验表明,该模型具有较高的预测能力。应用多重多元回归技术建立的焦炭质量预测模型对指导焦化企业的焦化生产,优化配煤和加强焦炭质量控制具有重要的现实意义。