检索结果-南通市图书馆

河北省流行性腮腺炎时间组合SARIMA模型分析

在线全文

学校读者我要写书评

暂无评论

医学动物防制 2023年第2期39卷 132-135页

作者：刘曙光张俊棉张富斌刘大鹏刘鹏梁震王鹏河北省疾病预防控制中心石家庄050021 世窗信息股份有限公司

目的对河北省流行性腮腺炎(简称“流腮”)病例数据进行时间序列分析,为制定控制流腮疫情措施提供长期和动态支持,对历史疫情评估,对未来疫情预测和预警。方法利用河北省2004-2020年流腮病例数据建立四维时间组合的季节性差分自回归滑... 详细信息

目的对河北省流行性腮腺炎(简称“流腮”)病例数据进行时间序列分析,为制定控制流腮疫情措施提供长期和动态支持,对历史疫情评估,对未来疫情预测和预警。方法利用河北省2004-2020年流腮病例数据建立四维时间组合的季节性差分自回归滑动平均(seasonal autoregressive integrated moving average, SARIMA)模型,选择静态预测模式进行分析。结果 2020年河北省流腮疫情呈季节性单峰分布,不同于往年的双峰分布。建立的年、季、月和周四维时间组合SARIMA模型分别为:ARIMA(1,2,2)、SARIMA(3,2,0)(0,0,1)4、SARIMA(2,1,2)(1,1,2)12和SARIMA(5,0,0)(1,1,1)52,模型拟合和预测评价结果均显示良好,但时间单位越小,Theil不等式系数越小。实际值均落在4个组合模型预测值的95%可信区间,2021年预测值为7.43/10万,相比2020年呈下降趋势,2021年第1季、月和周的预测值分别为1.73/10万、0.25/10万和0.08/10万,与往年的同期发病趋势一致。结论四维时间组合SARIMA模型在保持原有静态预测精确性的基础上,相对延长预测时间长度,并随着时间单位逐步变小,预测效果逐步提升。

关键词：流行性腮腺炎时间序列 SARIMA 模型拟合预测分析

基于SARIMA-PSO-ELM组合模型的我国铁路货运量预测

在线全文

学校读者我要写书评

暂无评论

数理统计与管理 2022年第3期41卷 394-401页

作者：张仙戴家佳余奇迪贵州大学数学与统计学院贵州贵阳550025

我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路... 详细信息

我国铁路货运量易受天气、节日和市场需求等众多因素的影响,使得铁路货运量具有周期性和波动性,预测难度高。本文综合考虑铁路货运量序列线性和非线性特征,建立SARIMA-PSO-ELM组合模型以提升预测的精度。首先使用SARIMA模型对我国铁路货运量序列进行预测,其次对SARIMA模型预测的残差建立PSO(粒子群优化)算法优化的ELM(极限学习机)预测模型,最后将两模型的预测值相加得到SARIMA-PSO-ELM组合模型的预测结果。组合模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别是0.0129、0.35%,相较于SARIMA和PSO-ELM两种模型其预测精度更高。

关键词：铁路货运量预测 SARIMA 极限学习机粒子群优化 SARIMA-PSO-ELM组合模型

基于SARIMA-Intervention-SVR/BP神经网络的串联预测模型

在线全文

学校读者我要写书评

暂无评论

系统工程 2023年第1期41卷 152-158页

作者：闫亮张艳辉冯思曼申博河北经贸大学数学与统计学学院河北石家庄050061

本文利用SARIMA模型处理线性问题的优势、干预模型处理突发事件及异常值的优势、支持向量回归(SVR)模型或BP神经网络模型处理非线性问题的优势,提出了一种串联组合预测模型:SARIMA-Intervention-SVR/BP神经网络串联模型。通过对受911事... 详细信息

本文利用SARIMA模型处理线性问题的优势、干预模型处理突发事件及异常值的优势、支持向量回归(SVR)模型或BP神经网络模型处理非线性问题的优势,提出了一种串联组合预测模型:SARIMA-Intervention-SVR/BP神经网络串联模型。通过对受911事件影响的美国航空客运里程、受非典影响的北京入境旅游人数以及受新冠疫情影响的中国民航货运量三个数据集的实证分析,证明了该串联模型相对于单一模型、SARIMA-Intervention串联模型以及一些衍生串并联组合模型在受到以上干预时预测的有效性。

关键词： SARIMA Intervention SVR BP神经网络串联组合预测

基于时序分解和SARIMA⁃DSR的台区可开放容量计算方法

在线全文

学校读者我要写书评

暂无评论

现代电子技术 2024年第2期47卷 127-132页

作者：冯隆基楚成博方磊钱勇张法业王宁王金喜国网江苏省电力有限公司南京供电分公司江苏南京210000 山东大学控制科学与工程学院山东济南250061

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在... 详细信息

合理地分析并准确计算台区可开放容量,能够优化配电系统的运行,提高线路利用率,保证台区配电变压器安全、经济、稳定运行。传统的可开放容量计算方法主要基于线路输电能力经验公式进行计算,未考虑高负荷运行台区的短时性及季节性,存在计算准确率和普适性低的问题。因此,提出一种基于局部加权周期趋势分解算法(STL)和季节性自回归滑动平均模型(SARIMA)与动态同时率(DSR)的台区可开放容量计算方法。该方法首先利用STL将历史台区负荷数据分解为趋势项、季节项和余项;其次,根据调整的历史台区负荷数据建立SARIMA台区负荷预测模型,预测未来台区负荷的变化及负荷峰值;同时,根据台区历史负荷数据建立台区DSR准则;最后,构建SARIMA‐DSR模型,合理调整可开放容量计算方法中的配置系数,实现台区的可开放容量的准确计算。

关键词：可开放容量 SARIMA 动态同时率 STL 时序分解负荷预测

基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2022年第9期22卷 3453-3463页

作者：张丽婷李鹏飞庞文静惠雯秦孟晟江苏省扬州市气象局扬州225600 哈尔滨工业大学电气工程及自动化学院哈尔滨150030 中国气象局气象探测中心北京100081 国家气象卫星中心北京100081

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采... 详细信息

降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明:传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺。深度学习LSTM多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位,易造成模型过拟合。LSTM模型(预期回顾look_back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,均方根误差(root mean squared error,RMSE)训练值低0.02。LSTM多输入单输出动态模式(look_back=12)较LSTM多输入多输出静态模式,RMSE测试值低0.33,体现出该模式对扬州市区月降水量预测准确度更高。与此同时,多类LSTM(multi-category LSTM,M-LSTM)多输入多输出静态模式预测准确度优于LSTM多输入多输出静态模式,RMSE测试值低0.19,反映出M-LSTM多输入多输出静态模式的优点。

关键词：深度学习 LSTM M-LSTM SARIMA 降水量预测扬州市区

基于SARIMA模型或SARIMA-GRNN组合模型的急性出血性结膜炎发病预测

在线全文

学校读者我要写书评

暂无评论

郑州大学学报（医学版） 2023年第1期58卷 78-82页

作者：袁依庞振陆崔庆霞王春平李望晨潍坊医学院公共卫生学院卫生统计学系山东潍坊261053

目的:构建急性出血性结膜炎(AHC)发病季节差分自回归移动平均(SARIMA)模型与改进SARIMA-广义回归神经网络(GRNN)组合模型。方法:收集2013年1月至2020年12月全国AHC月发病数据,构建SARIMA模型和SARIMA-GRNN组合模型,并预测2021年1至6月AH... 详细信息

目的:构建急性出血性结膜炎(AHC)发病季节差分自回归移动平均(SARIMA)模型与改进SARIMA-广义回归神经网络(GRNN)组合模型。方法:收集2013年1月至2020年12月全国AHC月发病数据,构建SARIMA模型和SARIMA-GRNN组合模型,并预测2021年1至6月AHC的发病数。结果:我国AHC发病呈以12个月为周期的季节性波动特点,除6至9月呈现季节性发病高峰,其他月份发病率相对稳定。最终确定的SARIMA(1,0,0)(0,1,1)_(12)模型预测AHC的平均绝对误差百分比(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)依次为18.21%、452.99、577.82,SARIMA-GRNN组合模型依次为13.07%、325.75、410.79。结论:与SARIMA模型相比,SARIMA-GRNN组合模型预测AHC精度更高、性能更为优良,可用于AHC的短期预测。

关键词：急性出血性结膜炎 SARIMA GRNN 组合预测

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

在线全文

学校读者我要写书评

暂无评论

兰州理工大学学报 2022年第5期48卷 107-113页

作者：张玺君王晨辉兰州理工大学计算机与通信学院甘肃兰州730050

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregres... 详细信息

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.

关键词：智能交通交通流预测组合模型时间序列 SARIMA Elman递归神经网络

Prediction of malaria cases in the southeastern Iran using climatic variables:An 18-year SARIMA time series analysis

在线全文

学校读者我要写书评

暂无评论

Asian Pacific Journal of Tropical Medicine 2021年第10期14卷 463-471页

作者： Hamid Reza Tohidinik Hossein Keshavarz Mehdi Mohebali Mandana Sanjar Gholamreza Hassanpour HIV/STI Surveillance Research Center and WHO Collaborating Center for HIV SurveillanceInstitute for Futures Studies in HealthKerman University of Medical SciencesKermanIran Center for Research of Endemic Parasites of Iran(CREPI) Tehran University of Medical SciencesTehranIran Department of Medical Parasitology&Mycology School of Public HealthTehran University of Medical SciencesTehranIran

Objective:To predict future trends in the incidence of malaria cases in the southeast of Iran as the most important area of malaria using Seasonal Autoregressive Integrated Moving Average(SARIMA)model,and to check the effect of meteorological variables on the disease incidence.Methods:SARIMA method was applied to fit a model on malaria incidence from April 2001 to March 2018 in Sistan and Baluchistan province in southeastern Iran.Climatic variables such as temperature,rainfall,rainy days,humidity,sunny hours and wind speed were also included in the multivariable model as covariates.Then,the best fitted model was adopted to predict the number of malaria cases for the next 12 months.Results:The best-fitted univariate model for the prediction of malaria in the southeast of Iran was SARIMA(1,0,0)(1,1,1)12[Akaike Information Criterion(AIC)=307.4,validation root mean square error(RMSE)=0.43].The occurrence of malaria in a given month was mostly related to the number of cases occurring in the previous 1(p=1)and 12(P=1)months.The inverse number of rainy days with 8-month lag(β=0.3292)and temperature with 3-month lag(β=-0.0026)were the best predictors that could improve the predictive performance of the univariate model.Finally,SARIMA(1,0,0)(1,1,1)12 including mean temperature with a 3-month lag(validation RMSE=0.414)was selected as the final multivariable model.Conclusions:The number of malaria cases in a given month can be predicted by the number of cases in the prior 1 and 12 months.The number of rainy days with an 8-month lag and temperature with a 3-month lag can improve the predictive power of the model.

关键词： Malaria Time series SARIMA Forecasting Climate Iran

基于G-SARIMA-BP-LSTM的新能源汽车销量预测研究

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于G-SARIMA-BP-LSTM的新能源汽车销量预测研究

作者：辛宇涛山西大学

学位级别：硕士

人们对生活从量变到质变水平的提升,使得汽车不可置否的成为了每个家庭所追求的不可缺少的出行工具,但它在带来很多好处的同时也带来了一些弊端。燃油汽车使用需要消耗能源,排放废气,造成资源枯竭和环境污染。新能源汽车使用无污染、零... 详细信息

人们对生活从量变到质变水平的提升,使得汽车不可置否的成为了每个家庭所追求的不可缺少的出行工具,但它在带来很多好处的同时也带来了一些弊端。燃油汽车使用需要消耗能源,排放废气,造成资源枯竭和环境污染。新能源汽车使用无污染、零排放,且安全系数高,是一种有效的环保交通工具。通过对新能源汽车月度销量进行预测,不仅可以帮助政府和企业对新能源汽车的市场有全面的了解,还可以为政府的宏观调控和企业的生产规划提供一定的数据支撑。本文通过汽车工业协会以及前瞻数据库搜集新能源汽车销量的月度数据,借助传统的时间序列和机器算法模型,基于时间序列数据存在线性关系和非线性关系性质,提出了一种模型G-SARIMA-BP-LSTM,并选取MSE、RMSE以及R三个评价指标,分别与模型SARIMA、BP-LSTM、SARIMA-BP-LSTM的预测效果进行对比分析。在第三章选取2017年1月至2022年12月时间段新能源汽车月度销量的数据进行建模,在第四章为更加细致的对不同类型新能源汽车销量进行预测,方便汽车行业合理分配生产,选取2017年1月至2022年12月时间段纯电动汽车BEV和插电混动汽车PEHV销量进行建模。其中SARIMA模型为单一传统时间序列模型;BP-LSTM通过将BP和LSTM模型结合构建神经网络,从而对原始数据拟合;SARIMA-BP-LSTM模型根据评价指标R,将SARIMA与BP-LSTM模型结果融合的方式拟合;G-SARIMA-BP-LSTM模型将原始序列根据乘法模型分解为随机波动序列和非随机波动序列,使用SARIMA对非随机序列拟合预测,使用BP-LSTM模型对随机序列拟合预测,最后将两种模型的结果相乘得到最终的拟合预测值。通过对比发现模型G-SARIMA-BP-LSTM的预测效果最优,因此使用G-SARIMA-BP-LSTM对2023年1月至2023年12月时间段不同类型的新能源汽车BEV和PEHV以及新能源汽车总的销量进行预测。

关键词：新能源汽车销量预测 SARIMA BP神经网络 LSTM长短期记忆