检索结果-内蒙古大学图书馆

科学时代 2015年第8期 92-94页

作者：张安建蔡春燕上海交通大学机械与动力工程学院

本文基于X公司包装供应链的现存运营状况，业务流程，运用客户需求历史数据建立时间序列预测模型；运用差分自回归滑动平均模型(ARIMA)对未来一个月的需求量进行预测，为后续基于预测的数据建立库存订购策略，提高供应商快速响应客户订... 详细信息

本文基于X公司包装供应链的现存运营状况，业务流程，运用客户需求历史数据建立时间序列预测模型；运用差分自回归滑动平均模型(ARIMA)对未来一个月的需求量进行预测，为后续基于预测的数据建立库存订购策略，提高供应商快速响应客户订货需求的能力奠定基础。

关键词：需求预测差分自回归滑动平均模型

来源：评论

学校读者我要写书评

暂无评论

基于TCN模型的软件系统老化预测框架

引用

计算机应用与软件 2025年第5期42卷 25-29,61页

作者：王艳超姚江毅李雄伟刘林云陆军工程大学石家庄校区河北石家庄050003

随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架... 详细信息

随着软件规模的扩大和逻辑复杂度的提高,软件老化特征表现更加隐蔽,老化参数时序信号更加复杂,针对时序预测法对序列平稳性要求高和BP神经网络收敛速度慢、易陷入局部极值的问题,提出以时域卷积网络(TCN)模型为基础的软件老化预测框架。采集可用内存数据作为框架的输入,经TCN模型进行预测,通过检查预测输出的内存与实际内存的平均误差评价模型的效率。与ARIMA模型和RNN(LSTM)模型预测结果进行对比表明,TCN模型对时间序列平稳性要求低、适应性更强,不存在梯度爆炸或消失的问题,对采集的老化数据预测效果最好。

关键词：软件老化时域卷积网络老化预测框架预测误差差分自回归滑动平均模型长短时记忆模型

来源：评论

学校读者我要写书评

暂无评论

时序预测模型对广州市急救需求量的预测价值

引用

中华急诊医学杂志 2022年第8期31卷 1153-1158页

作者：王静江慧琳李双明曾睿刘佳李艳玲朱永城林建权陈晓辉广州医科大学附属第二医院急诊科广州医科大学生物医学工程学院广州510260 广州市急救指挥中心广州510000

目的探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列,对该序... 详细信息

目的探讨时序预测模型中的差分自回归滑动平均(ARIMA)和自回归(AR)模型在预测广州市急救调度日出车数量方面的价值。方法采用Matlab仿真软件对广州市2021年1月1日至2021年12月31日的急救调度出车记录分析计算日出车数量时间序列,对该序列进行时序预测模型辨识,得到ARIMA(1,1,1)、AR(4)以及AR(7)模型,利用这些模型对日出车数量做出预测拟合。ARIMA(1,1,1)模型将数据分为训练集和测试集,参数运算采用Prony方法,预测拟合未来的出车数量;AR(4)和AR(7)模型采用均匀系数,预测当天出车数量。结果ARIMA(1,1,1)、AR(4)以及AR(7)都可以实现对日出车数量的有效预测,ARIMA(1,1,1)的预测拟合误差随着预测时间的延长下降。两个月内的急救调度日出车量预测拟合平均绝对百分比误差(MAPE)低于6%,结果基本都位于95%置信区间内,利用模型的残差分析验证了模型显著有效。结论ARIMA模型可以对两个月内的急救调度日出车量做长期预测拟合,AR模型可以对急救调度日出车量做短期有效预测。

关键词：差分自回归滑动平均模型自回归模型预测急救调度 Matlab仿真

来源：评论

学校读者我要写书评

暂无评论

基于联合模型的短期电力负荷预测方法

引用

四川电力技术 2023年第5期46卷 27-34页

作者：蔡君懿李琪林严平国网四川省电力公司计量中心四川成都610045

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和... 详细信息

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。

关键词：短期电力负荷预测差分自回归滑动平均模型长短期记忆神经网络联合模型混合粒子群算法

来源：评论

学校读者我要写书评

暂无评论

基于R语言的ARIMA模型在医院平均住院日预测中的应用

引用

中国医院统计 2022年第4期29卷 279-282页

作者：郭在金周罗晶扬州大学公共卫生学院江苏扬州225009 江苏省苏北人民医院管理研究所江苏扬州225001

目的建立差分自回归滑动平均模型(ARIMA),预测江苏省某三甲医院的平均住院日,为医院医疗资源的配置提供科学参考。方法以江苏省某三甲医院2013年1月至2021年6月全院平均住院日数据为基线,利用R软件构建ARIMA模型,对2021年7月至2022年5... 详细信息

目的建立差分自回归滑动平均模型(ARIMA),预测江苏省某三甲医院的平均住院日,为医院医疗资源的配置提供科学参考。方法以江苏省某三甲医院2013年1月至2021年6月全院平均住院日数据为基线,利用R软件构建ARIMA模型,对2021年7月至2022年5月11个月的全院平均住院日进行预测,并与实际值进行对比,评价ARIMA模型的预测效果。结果该医院的平均住院日自2013年1月起逐年呈现下降趋势,并且具有一定的季节特征。拟合最佳的ARIMA模型为ARIMA(0,1,1)(0,1,1)_(12),其平均相对误差MAPE为1.78%,均方根误差RMSE为0.24。ARIMA模型的预测中,RMSE为1.49,MAPE为7.78%,预测结果较为理想。结论应用ARIMA模型对该院的平均住院日预测效果较好,可用于该院平均住院日的短期预测。

关键词：平均住院日差分自回归滑动平均模型 R语言预测模型

来源：评论

学校读者我要写书评

暂无评论

基于威布尔比例风险模型的滚动轴承剩余寿命预测

基于威布尔比例风险模型的滚动轴承剩余寿命预测

引用

作者：王岩哈尔滨理工大学

学位级别：硕士

轴承是机械设备中重要的零部件之一,其运行状态的稳定性直接关系到机械设备的可靠性。通过滚动轴承全生命周期历史数据,提取滚动轴承的性能衰退指标从而建立剩余寿命预测模型,对模型的失效率和可靠度进行分析,确定失效阈值,实现滚动轴... 详细信息

轴承是机械设备中重要的零部件之一,其运行状态的稳定性直接关系到机械设备的可靠性。通过滚动轴承全生命周期历史数据,提取滚动轴承的性能衰退指标从而建立剩余寿命预测模型,对模型的失效率和可靠度进行分析,确定失效阈值,实现滚动轴承的剩余寿命预测,对降低事故的发生率及设备的健康管理具有重要意义。针对滚动轴承剩余寿命预测的准确性问题,逐步进行基于振动信号的特征提取、特征降维和剩余寿命预测的研究,主要研究内容如下:首先,针对小样本下的轴承剩余寿命预测问题,提取能反映滚动轴承退化状态的多域特征信息。针对传统剩余寿命预测中采用单一时域或频域指标进行分析预测,不能兼顾振动信号的局部和全局特性,采用由数据驱动的经验模式分解进行时频域特征提取,并综合振动信号的时域及频域特征参数,采用费舍尔得分去除不敏感特征,选取更能反映轴承性能退化的多域特征参数集。其次,提出基于模糊C均值的拉普拉斯特征降维方法。针对传统线性降维方法无法揭示数据内部的非线性结构及基于核函数的核主元分析法易导致不同类别的样本点在特征空间中相互重叠,无法实现高维数据的非线性降维现象,采用基于拉普拉斯特征映射的流形学降维方法,在对目标数据的特征降维时,运用模糊C均值对退化阶段进行分类。通过试验验证了基于模糊C均值的拉普拉斯映射降维方法。然后,建立基于威布尔比例风险模型的滚动轴承剩余寿命预测模型。针对威布尔比例风险模型趋势预测方法的不足,提出基于差分自回归滑动平均模型的趋势预测法,分别对失效率与协变量进行趋势预测,设定失效阈值,并通过试验对该方法进行验证。最后,采用滚动轴承全寿命试验数据,进行试验验证。试验结果对比表明,本文提出的方法能够准确预测滚动轴承失效率趋势及剩余寿命。

关键词：剩余寿命预测拉普拉斯降维威布尔比例风险模型差分自回归滑动平均模型

来源：评论

学校读者我要写书评

暂无评论

基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测

基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测

引用

第十九届全国现代结构工程学术研讨会

作者：徐洪俊张锦东张其林同济大学建筑工程学院上海建筑空间结构工程技术研究中心

基于上海中心大厦实测加速度幅值数据,探讨差分自回归滑动平均(ARIMA)模型和扩展卡尔曼滤波(EKF)预测方程在实测信号预测方面的应用,提出了ARIMA-EKF预测方法:先建立ARIMA模型,由该模型的预测方程推导出卡尔曼滤波的状态方程和测量方程... 详细信息

基于上海中心大厦实测加速度幅值数据,探讨差分自回归滑动平均(ARIMA)模型和扩展卡尔曼滤波(EKF)预测方程在实测信号预测方面的应用,提出了ARIMA-EKF预测方法:先建立ARIMA模型,由该模型的预测方程推导出卡尔曼滤波的状态方程和测量方程,建立EKF预测方程实现信号的预测。本文提出的ARIMA-EKF预测方法有效地提升了ARIMA模型的预测精度,对于实时加速度幅值的变化趋势能够进行有效的预测。

关键词：差分自回归滑动平均模型扩展卡尔曼滤波结构响应预测

来源：评论

学校读者我要写书评

暂无评论

融合ARIMA模型和GAWNN的溶解氧含量预测方法

引用

农业机械学报 2017年第S1期48卷 205-210,204页

作者：吴静李振波朱玲李晨中国农业大学信息与电气工程学院北京100083 中国农业大学农业部农业信息获取技术重点实验室北京100083

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完... 详细信息

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络(WNN)获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络(GAWNN)和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。

关键词：水质预测差分自回归滑动平均模型遗传算法小波神经网络

来源：评论

学校读者我要写书评

暂无评论

基于误差修正的极端学习机超短期风速预测

引用

上海电机学院学报 2017年第6期20卷 342-347,372页

作者：潘羿龙丁云飞上海电机学院电气学院上海201306

超短期风速预测对风电场功率预报系统的建立和运行至关重要。针对具有较大随机波动性的风速预测,研究了一种基于误差修正的极端学习机(ELM)超短期风速预测方法。利用ELM模型对风速进行初步预测,并利用由此得到的误差数据样本建立差分自... 详细信息

超短期风速预测对风电场功率预报系统的建立和运行至关重要。针对具有较大随机波动性的风速预测,研究了一种基于误差修正的极端学习机(ELM)超短期风速预测方法。利用ELM模型对风速进行初步预测,并利用由此得到的误差数据样本建立差分自回归滑动平均模型(ARIMA),进行误差预测,最后使用预测误差对风速的初步预测值进行补正,从而求得最终预测值。仿真实验结果表明,该方法在风速超短期预测中的可行性及有效性。

关键词：风速预测预测误差补正极端学习机差分自回归滑动平均模型

来源：评论

学校读者我要写书评

暂无评论

基于ARIMA和小波神经网络组合模型的交通流预测

引用

计算机技术与发展 2017年第1期27卷 169-172页

作者：成云成孝刚谈苗苗周凯李海波南京邮电大学通信与信息工程学院江苏南京210003

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均(ARIMA)和小波神经网络(WNN)组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网络模型强大的非线性关... 详细信息

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均(ARIMA)和小波神经网络(WNN)组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网络模型强大的非线性关系映射能力,把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差分自回归滑动平均模型预测交通流序列的线性部分,用小波神经网络模型预测其非线性残差部分,最终合成为整个交通流序列的预测结果。计算机仿真结果表明:组合模型的预测精度高于ARIMA模型和WNN模型各自单独使用时的预测精度,组合模型可以提高交通流预测精度,是交通流预测的有效方法。

关键词：交通流预测差分自回归滑动平均模型小波神经网络组合模型

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：