时间序列法

摘要： 服装销售预测是服装企业商品企划中必不可少的环节之一。为有效帮助服装商品企划人员及相关学者根据实际情况快速选择合适的服装销售预测方法,对时间序列法、回归分析法、灰色预测模型及人工神经网络4类定量销售预测方法从优缺点、优化历程及适用类型3个方面进行梳理总结,并对机器学习的部分组合算法进行举例与归纳。分析得出:时间序列法适用于历史数据离散程度小且影响因素少的短中期服装销售预测;回归分析法中多元回归法比一元回归法在算理上更适合具有多因素影响的服装销售预测;灰色预测模型适用于数据平滑且影响因素较少的服装销售预测;人工神经网络则适合销售数据离散程度大的时尚型服装销售预测。

摘要： 种群数量动态变化预测在维持生态结构稳定性,把握群落结构变化规律等方面发挥着至关重要的作用。基于时间序列分析法,建立了种群动态变化的ARMA、NLAR以及GM(1,1)预测模型,并将建立的三种预测模型应用于捕食者与猎物种群数量动态变化预测中。预测结果表明:GM(1,1)通过累加消除了种群数量的随机波动性,所建立的预测模型预测精度最高,而ARMA模型在处于种群数量动态变化的非平稳随机序列中性能欠佳,这对种群数量的动态预测具有一定的参考价值。

摘要： 采用有效度法对线性回归、ARIMA模型以及灰色预测模型进行线性组合,经验证,其最大误差为5.56%,平均误差为2.94%,处于合理范围。运用组合模型对武汉市2021-2030年物流需求(货运量)进行预测分析,经计算至2030年武汉市年货运总量将达到140 000万吨以上,接近上海等一线城市现有物流需求水平。面对巨大的物流需求规模,武汉市在“十四五”期间,有必要制定物流业中长期发展规划,以指导现代化物流体系的建立,推动物流业降本增效。

摘要： 在满足一定的前提下,时间序列法可以用于预测公共交通客运量;预测的计算过程可以采用excel等软件来辅助计算,也可以采用手算.在需要手算的情况下,将时间的年份序列进行简化,能够提高手算速度,有助于使用者更快地完成计算过程、得到同样的预测结果,并能有助于使用者更好地理解时间序列法的应用.

摘要： 为了解决风力发电不稳定问题,提出风功率预测模型,通过预测风功率数据变化情况,为风力发电调控操作提供参考依据.其中,风功率预测模型建立在时间序列基础上,引入高阶AR模型进行设计.应用测量结果表明,稳健估计预测模型数列还原性能较高,预测误差在10％ 以下,符合风功率预测要求.

摘要： 浅层地热资源作为一种埋藏浅、便于开发且清洁环保的可再生新能源,广泛分布于我国中东部的平原地区.为准确预测浅层地热的可开采量,以河南省汝州市温泉镇为例,将三维可视化地下水流建模软件Visual Modflow模拟出的浅层地热储层结果与常规时间序列法计算出的地热可开采量相比较,深入探讨两种方法主要的优缺点,并预测出研究区地热流体的最大可开采量应在2400～3432 m3/d之间.研究结果对当地地热资源的可持续开发利用提供了重要参考依据,同时表明将数值模拟法应用于浅层地热的勘查分析具有重要的价值.

摘要： 基于2011—2019年郑州市用水统计资料,通过建立ARIMA模型、灰色GM(1,1)模型和基于大数据分析的多元线性回归分析3种模型对郑州市城市用水量进行预测。结果表明,利用主要影响因素建立的基于大数据分析的多元线性回归分析模型优化度R^(2)和平均相对误差分别为0.946和1.758%,而ARIMA模型、灰色GM(1,1)的R^(2)分别是0.800、0.867,平均相对误差分别为2.394%、2.062%。因此,基于大数据分析的用水量预测方法不仅可以结合现有公开数据资料充分考虑影响用水量的相关因素,还可以避免各影响因素间的非独立性而影响预测精度,此方法的预测精度较高。

摘要： 基于2011—2019年郑州市用水统计资料,通过建立ARIMA模型、灰色GM(1,1)模型和基于大数据分析的多元线性回归分析3种模型对郑州市城市用水量进行预测.结果表明,利用主要影响因素建立的基于大数据分析的多元线性回归分析模型优化度R2和平均相对误差分别为0.946和1.758％,而ARIMA模型、灰色GM(1,1)的R2分别是0.800、0.867,平均相对误差分别为2.394％、2.062％.因此,基于大数据分析的用水量预测方法不仅可以结合现有公开数据资料充分考虑影响用水量的相关因素,还可以避免各影响因素间的非独立性而影响预测精度,此方法的预测精度较高.

摘要： 为了准确预测地区公路交通运输需求,甄别公路交通发展中的影响因素,以新疆维吾尔自治区为研究对象进行预测分析.利用灰色关联分析法(GRA),选取表征公路交通运输水平的适宜指标,对影响指标进行筛选;采用时间序列法(TSM)对各指标的发展趋势进行预测;结合多元回归算法对各指标预测特征进行总结分析.结果表明:在未来发展中,应注重将客运及客运周转量作为公路发展的首要任务;公路线路的修建可对运输需求的增长提供保障,促进交通与地区经济协调发展.

摘要： 为响应电网企业过"紧日子"的要求以及管控输变电工程造价,本文借助时间序列法对输变电工程建筑工程造价进行预测,并与其他经典预测方法进行比较.仿真结果表明:时间序列法的预测精度最高,偏差为5.3％.移动平均法的误差最大,偏差为14.7％.最后,本文比较了多种方法的优劣,并对其适用情形进行了分析,为输变电工程建筑工程造价做出最优决策提供借鉴指导与决策支撑.

摘要： 以准确预测深基坑支护变形、有效减少工程事故为目标,选取桂林市某深基坑工程实测基坑测点前期实测沉降变形数据,使用Eviews软件进行数据处理,运用时间序列法建立差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,简称ARIMA),对支护的后期变形趋势进行预测,并将模型预测数据与基坑实际变形数据进行对比.结果表明:当基础数据充足且连续性较强时,ARIMA模型预测的结果比较理想,能较好地解决数据不稳定性问题,特别是预测周期较短时模型预测效果更加明显,适合在实际工程中使用;建议建立ARIMA模型时定期加入新的数据,避免预测周期过长导致预测精度降低.

摘要： 提出基于RBF(径向基)神经元网络对风电功率进行预测会得到比较准确的预测结果.首先简单介绍了风力发电的发展近况,然后详细介绍RBF的学习算法,接着利用风电场现场记录的数据分别基于RBF神经元网络、BP神经元网络和时间序列法对风电功率进行预测,最后将由三种预测方法得到的结果进行对比分析,验证运用RBF神经元网络进行风电功率预测得到的结果最准确.研究数据均来自粤东某风电场.

摘要： 随着大量风电并入电网中，为了增加电网对风电的接纳能力，合理制定发电计划，保证电力系统稳定运行，这就需要对风电输出功率进行准确的预测。针对风电场功率时间序列的非线性和非平稳性，本文将EMD和EEMD方法应用在风电场功率预测中，分别将EMD和EEMD与时间序列的方法相结合，提出两种预测方法EMD-ARMA和EEMD-ARMA法。运用EMD和EEMD技术对原始风功率序列进行预处理，将其自适应地分解为一系列变化相对平稳的分量，根据各个分量的变化规律，对每一个内在模式函数进行建模预测。最后，各分量的预测值相加即可得到最终的风电场功率预测值。采用某风电场的实际功率数据序列进行分析预测，预测结果验证了本文所提方法的正确性和有效性。

摘要： 论文用时间序列法和统计过程控制策略对风电机组的关键设备齿轮箱进行了故障预测研究。首先根据齿轮箱实时温度传感数据，利用ARIMA模型建立了正常运行情况下温度预测模型。然后，分析了齿轮箱温度数据的预测值和实际值的残差，并且检验了其残差符合正态分布；接着，结合统计过程控制(SPC)的方法，利用齿轮箱历史温度数据计算其标准差σ，得到风机齿轮箱故障预测的上下限值，进行故障识别。最后，通过风场实际的正常和故障温度数据，对齿轮箱的运行状态进行了故障统计分析，根据残差控制图判别故障，验证了所提出方法的可行性和有效性。

摘要： 基于时间序列法和支持向量机法，本文对风电功率预测进行研究，提出了预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模，选取影响风电功率最大的参数作为支持向量机预测模型的输入变量；为了提高预测精度，提出了基于时间点运动轨迹演化的方法选取与预测时刻相似的样本作为模型的训练样本。实例验证，本文方法有效地提高了风电功率预测精度。

摘要： 介绍了时间序列法在基本原理,探讨了用时间序列法进行故障模式识别的优点,推导了AR时间序列模型,建立了信息距离判别函数.并将时间序列方法应用到旋转机械故障诊断专家系统的模式识别规则中,且在试验台上进行了试验,验证了使用时间序列分析方法专家系统的可靠性和实用性.

摘要： 为探讨鄱阳湖流域河川径流的变化过程和规律,深入了解径流特征及其与鄱阳湖水旱灾害的关系,本文利用时间序列分析方法,对鄱阳湖流域五河水系干流河段主要控制水文测站的天然径流系列进行了研究.研究显示,鄱阳湖五河径流年内分配集中程度在0.43～0.56之间,集中期为每年的5月底至6月初,比鄱阳湖汛期提前1～2个月.径流多年变化变差系数在0.28～0.33之间变化,径流年际变率较大,在年代际变化上90年代径流增加尤其突出;径流序列呈长期增加的趋势,1998年后增加趋势变缓;鄱阳湖流域五河水系出现特大枯水年和丰水年的概率较大,出现平水年的概率略小.以上结果表明,五河汛期来水是影响鄱阳湖洪水的重要因素,而其形成、发展过程还受到长江中上游洪水的控制;径流的长期变化中,气候因素是引起鄱阳湖流域径流变化的主导因素,水土流失和水利工程的建设等人为因素起着一定的辅助作用;径流序列枯、丰循环周期的交替变化过程与过去几十年间流域内出现的干旱、洪水现象具有较好的一致性.

摘要： 为探讨鄱阳湖流域河川径流的变化过程和规律,深入了解径流特征及其与鄱阳湖水旱灾害的关系,本文利用时间序列分析方法,对鄱阳湖流域五河水系干流河段主要控制水文测站的天然径流系列进行了研究.研究显示,鄱阳湖五河径流年内分配集中程度在0.43～0.56之间,集中期为每年的5月底至6月初,比鄱阳湖汛期提前1～2个月.径流多年变化变差系数在0.28～0.33之间变化,径流年际变率较大,在年代际变化上90年代径流增加尤其突出;径流序列呈长期增加的趋势,1998年后增加趋势变缓;鄱阳湖流域五河水系出现特大枯水年和丰水年的概率较大,出现平水年的概率略小.以上结果表明,五河汛期来水是影响鄱阳湖洪水的重要因素,而其形成、发展过程还受到长江中上游洪水的控制;径流的长期变化中,气候因素是引起鄱阳湖流域径流变化的主导因素,水土流失和水利工程的建设等人为因素起着一定的辅助作用;径流序列枯、丰循环周期的交替变化过程与过去几十年间流域内出现的干旱、洪水现象具有较好的一致性.

摘要： 为探讨鄱阳湖流域河川径流的变化过程和规律,深入了解径流特征及其与鄱阳湖水旱灾害的关系,本文利用时间序列分析方法,对鄱阳湖流域五河水系干流河段主要控制水文测站的天然径流系列进行了研究.研究显示,鄱阳湖五河径流年内分配集中程度在0.43～0.56之间,集中期为每年的5月底至6月初,比鄱阳湖汛期提前1～2个月.径流多年变化变差系数在0.28～0.33之间变化,径流年际变率较大,在年代际变化上90年代径流增加尤其突出;径流序列呈长期增加的趋势,1998年后增加趋势变缓;鄱阳湖流域五河水系出现特大枯水年和丰水年的概率较大,出现平水年的概率略小.以上结果表明,五河汛期来水是影响鄱阳湖洪水的重要因素,而其形成、发展过程还受到长江中上游洪水的控制;径流的长期变化中,气候因素是引起鄱阳湖流域径流变化的主导因素,水土流失和水利工程的建设等人为因素起着一定的辅助作用;径流序列枯、丰循环周期的交替变化过程与过去几十年间流域内出现的干旱、洪水现象具有较好的一致性.

摘要： 为探讨鄱阳湖流域河川径流的变化过程和规律,深入了解径流特征及其与鄱阳湖水旱灾害的关系,本文利用时间序列分析方法,对鄱阳湖流域五河水系干流河段主要控制水文测站的天然径流系列进行了研究.研究显示,鄱阳湖五河径流年内分配集中程度在0.43～0.56之间,集中期为每年的5月底至6月初,比鄱阳湖汛期提前1～2个月.径流多年变化变差系数在0.28～0.33之间变化,径流年际变率较大,在年代际变化上90年代径流增加尤其突出;径流序列呈长期增加的趋势,1998年后增加趋势变缓;鄱阳湖流域五河水系出现特大枯水年和丰水年的概率较大,出现平水年的概率略小.以上结果表明,五河汛期来水是影响鄱阳湖洪水的重要因素,而其形成、发展过程还受到长江中上游洪水的控制;径流的长期变化中,气候因素是引起鄱阳湖流域径流变化的主导因素,水土流失和水利工程的建设等人为因素起着一定的辅助作用;径流序列枯、丰循环周期的交替变化过程与过去几十年间流域内出现的干旱、洪水现象具有较好的一致性.

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 特征量提取装置(100)具有：数据取得部(110)，其取得时间序列数据作为输入时间序列数据(D1)；多滤波器应用部(120)，其具有多个数字滤波器，对数据取得部(110)取得的输入时间序列数据(D1)应用各数字滤波器，按照每个数字滤波器输出应用后的包含时间序列特征或频率特征的时间序列数据即滤波器响应时间序列数据(D5)；以及特征量提取部(130)，其针对多滤波器应用部(120)输出的多个滤波器响应时间序列数据(D5)，按照每个滤波器响应时间序列数据(D5)提取特征量，输出提取出的特征量作为特征量数据(D2)。

摘要： 时间序列数据特征量提取装置具备：数据加工部，基于受理的输入时间序列数据长度和受理的观测最小间隔来将受理的不等间隔时间序列数据组加工为包括缺损的等间隔时间序列数据组和表示缺损的有无的缺损信息组；模型学习部，针对模型，将所述包括缺损的等间隔时间序列数据组的矩阵的未缺损的要素与所述模型的输出层的输出结果的要素的差异作为误差，学习所述模型的各层的权重向量，将所述权重向量作为模型参数保存在存储部中；以及特征量提取部，受理特征量提取对象的时间序列数据，向所述模型输入所述受理的特征量提取对象的时间序列数据，由此，使用在所述存储部中保存的所述模型参数来计算所述模型的中间层的值，将所述计算出的中间层的值作为表示数据的随时间变化的特征量输出。

摘要： 事件波形提取部(3)从时间序列数据提取事件波形。同现度计算部(4)计算事件波形在时间序列数据间的同现度。组分类部(5)将时间序列数据分类成与事件波形的同现度对应的组。事件信息生成部(6)在组中包含的时间序列数据间判别事件波形的产生期间重合的时刻，根据判别出的时刻，生成确定与事件波形相关联的事件的事件信息。

摘要： 本发明属于数据挖掘技术领域，具体为一种在海量时间序列数据库中查找给定时间序列的近似序列的方法。该方法包括：采用树状索引的结点表示方式；根据索引的算法框架，逐条构建索引；选择最优策略进行结点分裂；最后基于DSTree索引进行查询，海量时间序列数据库中查找给定时间序列的近似序列。本发明提出的索引方法，根据时间序列的数据分布情况调整索引子序列长度和维度，新的索引表示方式也满足提供距离上界的需求，大幅提高查询效率。

摘要： 本发明公开了一种基于时间序列分解和LSTM的时间序列数据预测方法，包括：步骤一、采集时间序列数据，并对其进行预处理，获得满足建立预测模型数据需求的时间序列样本集，进行训练集和测试集的划分，得到第一训练集与第一测试集；步骤二、基于LSTM建立用于趋势分量和余项预测的第一神经网络，通过第一训练集进行训练与调参，将训练好的第一神经网络模型对第一训练集进行预测，获得第一训练集的趋势分量和余项的预测结果，进一步处理成第二训练集；步骤三、基于ANN建立第二神经网络，通过第二训练集进行训练和调参；步骤四、将训练好的第一神经网络和第二神经网络模型对测试集进行联合预测，获得拟合的时间序列数据预测结果。

摘要： 本发明提供了一种时间序列数据聚类模型建立方法及时间序列数据聚类方法，涉及数据聚类技术领域。本发明所述的时间序列数据聚类模型建立方法，包括：获取原始时间序列数据，将所述原始时间序列数据输入到深度神经网络中进行训练，得到所述原始时间序列数据的最终特征表示；根据所述最终特征表示通过对比学习对时间序列样本进行聚类，根据交叉熵调参直至训练完成，以建立时间序列数据聚类模型。本发明所述的技术方案，能够实现针对时间序列数据特点的高效特征表示，有效解决当前已有算法存在的特征提取表达能力不足、相似数据之间结构信息挖掘不充分的问题，提高了时间序列数据聚类的准确性。

摘要： 本发明属于人工智能时间序列预测技术领域，具体为一种提升时间序列预测系统预测时间序列效果的方法。本发明基于时间序列预测损失上的理论分析，设计新的时间序列预测算法，该算法建模历史数据模式与未来数据模式上的差异，提出两步走的训练方式，一方面保证模型对历史数据的记忆不会轻易消失，另一方面保证在未来数据上有较好的预测效果。理论分析与实验验证表明，在时间序列预测任务中，本发明预测方法相比于其他方法，可以有效缓解由于数据随时间的变化即概念漂移而导致的模型老化问题；可以进一步提升模型的预测准确率。本发明能够广泛应用于各类基于实数值的时间序列预测任务，提升任务在未来数据点上的预测准确度。

摘要： 本申请公开了人工智能领域中的一种时间序列预测模型的训练方法、时间序列预测方法及装置。该时间序列预测模型的训练方法包括：将源域的第一时间序列和目标域的第二时间序列输入第一预测模型中，通过第一预测模型中的特征编码器生成第一时间序列的特征和第二时间序列的特征；将第一时间序列的特征和第二时间序列的特征输入领域判别器中，对领域判别器与特征编码器进行对抗训练，且基于目标域的样本集对第一预测模型进行调优，得到目标预测模型。本申请的方法能够提高目标预测模型的准确性，避免出现过拟合和负迁移。