自回归滑动平均模型

摘要： 背景肾综合征出血热(HFRS)是一种严重的急性传染病;根据疫情报告,尚存在某些防治缺陷。目的分析广东省2015—2021年HFRS流行特征,探索气象因素对HFRS流行特征的影响。方法分别从中国疾病预防控制信息系统和国家气象科学数据中心收集2015—2021年广东省HFRS资料、人口信息和气象资料。HFRS资料包括病例报告地、病例现居住地、发病时间、死亡时间、年龄、性别和职业等,人口信息包括常住人口及性别比例,气象资料包括平均气压(AP)、平均相对湿度(ARH)、平均气温(AT)、最高气温(MaT)、最小相对湿度(MRH)、最低气温(MiT)、20时至后1 d 20时降水量(PR)和日照时数(SD);采用自回归滑动平均模型(ARIMA)分析HFRS流行特征及其与气象因素的相关性。结果广东省2015—2020年HFRS年均发病率为0.23/10万,呈波动下降趋势;户籍为广东省确诊病例数为1627例,病死率为0.18%;临床诊断病例与确诊病例的比例为1∶2.36(690/1627)。广州、东莞和深圳病例数共占63.24%(1029/1627);病例时间-空间聚集性特征表现为广州聚集(38.3%,其中广州占75.6%)和东莞聚集(61.7%,其中东莞占27.8%)。发病高峰在1月和3~5月;确诊病例男/女比例为3.11∶1,确诊病例变异系数(CV)男、女不同,为30%vs 41%。HFRS确诊病例发病年龄主要为25~50岁(62.75%);不同年份HFRS确诊病例年龄比较,差异有统计学意义(P=0.031)。HFRS确诊病例职业主要集中于待业、商业服务、工人和农民(70.68%);不同年份HFRS确诊病例职业分布比较,差异有统计学意义(P=0.035)。偏相关分析发现,HFRS月发病数与空气湿度(ARH、MRH;Lag4M)、日照时数和降水量(SD、PR;Lag2M)具有相关性(P<0.05);采用ARIMA(1,1,0)(R^(2)_(平稳)=0.710)对2021年上半年HFRS发病情况进行预测分析,拟合值与实测值的相符率为(61±18)%。结论广东省2015—2021年HFRS年均发病率呈波动下降趋势;湿度高和降水多可能升高下季度HFRS流行水平。针对广州和东莞聚集性HFRS流行地区,当前面临的HFRS防控工作是加强野外防护和提高临床诊断病例实验室诊断率。

摘要： 针对传统控制方法识别电力参数的能力较弱、扰稳定控制效果不佳等问题,提出一种基于人工智能的电力调度实时发电干扰稳定控制方法。采用小干扰稳定性分析法,提取实时发电扰稳定特征行为;构建自回归滑动平均模型,设计自适应广域阻尼控制器,强化数据识别效果;设置爬坡速度预期指标,基于人工智能技术调整自适应偏置值,实现电力调度实时发电扰稳定控制。试验结果表明:与传统方法相比,在正常发电频率下,控制方法都能获得接近50 MHz的控制效果;异常发电频率下,仅新方法能够将发电频率控制在50 MHz附近,可见新的控制方法实现了研究预期。

摘要： 再制造系统存在不确定因素和随机事件,使得系统的瓶颈随着外部条件和系统状态变化在时间、空间上发生变动。当前系统存在的瓶颈在下一时刻可能不再是瓶颈,而当前瓶颈对系统的影响将持续到系统平衡发生改变。因此,对瓶颈漂移现象的提前预测成为生产管理领域亟需解决的问题。本文使用Arena建立再制造生产线仿真模型,使用瓶颈指数进行瓶颈识别。然后在获取生产线样本数据的基础上,将工序各时段的瓶颈指数值看作是一组时间序列,基于自回归滑动平均(ARMA)模型预测未来同一时段内各工位的瓶颈指数值,完成对这一时段的瓶颈工位的预测。

摘要： 本文结合DAR模型及传统的ARMA-GARCH模型,提出一类带有新型GARCH类误差项的自回归滑动平均模型。该模型比DAR模型引入更多数据信息,同时定义一种由可观测序列驱动的新型条件异方差结构,比传统ARMA-GARCH模型的条件方差更易于估计。本文研究模型参数的拟极大似然估计,并在较弱矩条件下证明估计量的渐近正态性;数值模拟结果证实该模型在有限样本下的有效表现;实证研究表明:该模型可以提高数据拟合效果,因而具有一定应用价值。

摘要： 针对汽油辛烷值损失数据中异常采样数据,本文提出一种基于机器学习的汽油辛烷值数据处理方法。该方法包括基于XGBoost的缺失值预测分析及基于Random Forest的异常值处理、再利用基于ARMA算法的特征降维模型,将模型的预测值与真实值进行对比,结果表明在测试集上的准确率为91.31%。经过异常值处理模型修复的数据满足辛烷值损失要求,可为后续降低辛烷值损失提供数据支撑和主要特征改善提供依据。

摘要： 针对单一瓦斯预测模型挖掘矿井瓦斯浓度时间序列全部特征能力较弱的问题,提出了一种基于自回归滑动平均模型(ARIMA)和支持向量机(SVM)模型的组合预测模型,并采用该模型对瓦斯浓度进行预测。首先,分别应用ARIMA模型和SVM模型对实验数据进行预测分析,得到2种单一模型预测结果。其次,结合自相关函数和偏自相关函数及贝叶斯准则,得到最优ARIMA模型为ARIMA(1,1,2),通过核函数等参数寻优,确立最优SVM模型,从而建立ARIMA-SVM组合模型。利用ARIMA模型处理瓦斯浓度时间序列的历史数据,得到相应的线性预测结果和残差序列,利用SVM模型进一步对数据残差序列中的非线性因素进行分析,得到非线性预测结果,将2个模型的预测结果进行组合,得到目标瓦斯时间序列最终预测结果。实验结果表明:① ARIMA-SVM组合模型预测结果与矿井实际数据的拟合度优于ARIMA模型和SVM模型。②相对于ARIMA模型、SVM模型,ARIMA-SVM组合模型的误差大幅度减小,且预测结果明显优于单一模型。③ ARIMA-SVM组合模型的平均绝对误差、平均绝对百分比误差及均方根误差均为最小,表明ARIMA-SVM组合模型预测精度更高。

摘要： 为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解(VMD)残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSALSTM模型并结合天气特征进行预测.利用频率游程判别法把子序列划分为低频分量类和高频分量类:低频分量呈现线性平稳的特点,采用自适应t分布麻雀搜索算法(t-SSA)优化自回归滑动平均模型(ARIMA)预测;高频分量具有波动性大且复杂的特点,采用t-SSA优化长短时记忆神经网络(LSTM)进行预测.将不同序列的预测结果线性叠加得到风电功率预测结果.将该模型应用于国内某风电发电厂的风电功率预测中,试验结果表明,该模型能有效提高预测精度.

摘要： 针对道岔故障预测无法精确到类别的问题,提出了一种基于ARMA(自回归滑动平均模型)的道岔动作电流故障曲线预测算法。结合道岔电流曲线的形成与道岔故障之间的联系,从微机监测系统中提取道岔动作电流曲线数据,建立基于ARMA模型的道岔动作电流曲线预测方法。根据实际案例,计算出道岔动作电流预测曲线,并根据多项指标进行比较验证。试验验证结果表明,该方法能直接预测曲线形状,进而判断故障类别,具有较好的预测效果。

摘要： 可靠准确的短期风速预测有利于电网安全稳定的运行.由于风速具有显著的随机性且受多种因素影响,难以达到令人满意的预测精度.为了提高预测精度,提出了一种新型混合预测模型.在提出的预测模型中,利用小波变换(WT)将原始风速序列分解为低频和高频子序列,利用长短期记忆(LSTM)网络和自回归滑动平均(ARMA)模型分别预测低频和高频子序列.最后,利用河北省某风电厂收集的风速数据对模型进行了验证,并与7种不同的预测模型进行了性能比较.实验结果表明,所提出的预测模型在预测精度方面优于其它模型,在短期风速预测中具有令人满意的性能.

摘要： 受自然和人为等因素的影响,水文情势和地理环境不断发生显著变化,不同水文要素形成的水文时间序列常呈现出一定的相依性.为定量研究水文序列中的这种相依现象,本文以自回归滑动平均模型ARMA为例,选取原始水文序列与其相依成分间的相关系数为衡量标准,提出对相依变异强弱程度分级的一种方法.先用公式推导的方式从原理上阐明相关系数与序列的自回归系数和滑动平均系数存在的关系,从而建立相关系数与序列自相关系数的联系,再选择合理阈值作为分级界限,把相关系数划分为5段区间,对应描述5种不同强弱的相依变异程度.分别以较低阶数的ARMA模型为例,通过统计试验验证了以相关系数作为分级指标的合理性.将所提方法分别应用于模拟时间序列和实测水文序列,并结合物理成因从气候变化和人类活动两个方面对实测径流序列的相依变异分级结果进行了分析与验证,结果表明该方法合理可靠.

摘要： 为了提高风电机组并网发电的能力,高精度的风电功率预测必不可少,准确的风速预测是风电功率预测的关键.现有的风电场风速预测方法有很多种,本文采用建立自回归滑动平均模型的方法对风电场风速进行预测.建立自回归滑动平均模型首先需要对样本数据进行处理,对样本数据进行预处理和检验,寻找数据之间的相关性,根据其相关性估计模型的阶数并采用AIC准则确定其阶数,利用最小二乘法对其参数进行估计,通过模型检验确定模型适用.以我国北方某风电场为例,采用文中建立的模型进行提前24小时风速预测,结果表明预测精度符合国家要求,模型稳定性好,预测过程用时少.

摘要： 对国内某钢厂提供的历史数据进行分析,建立了3座高炉煤气发生量、3座热风炉煤气消耗量序列的自回归滑动平均模型;在煤气调度系统工作站内实现煤气产消量预测模型;利用工作站在线运行过程中采集的数据,以误差引起的系统压力变化量超限与否为评价准则,对模型引入的误差进行评价,结论是模型误差不会导致系统压力超限，模型是可用的;由于数据信息是在正常生产工况下采集的，所以本文描述的数据模型只针对正常生产工况下的产消量波动预测，而针对生产不顺行条件的煤气产消量预测还需要进一步深入研究。

摘要： 针对当前大多数弹性伸缩算法存在粒度大、延迟高、开销大等问题,利用缓存思想引入挂起虚拟机,加快虚拟机供给速度;基于自回归滑动平均模型(ARMA)采用二级预测方法设计了敏捷弹性伸缩算法,实现了细粒度的资源分配;通过引入分位数统计、额外资源分配、资源延迟释放等策略,进一步保障服务质量(QoS).采用网易云阅读负载数据进行实验,结果表明:该算法能够进一步节省资源,同时使得服务质量提升.

摘要： 为准确描述载荷特征、预测疲劳载荷,并合理地解释飞机结构疲劳载荷的不确定性,对疲劳损伤进行了预测.提出应用自回归滑动平均模型(ARMA)方法描述疲劳载荷的历程,给出了模型的识别、验证和预测过程.最后以某型飞机部件空测疲劳载荷为例,进行了数值模拟计算,确定ARMA(1,0)是载荷谱的所选模型,预测的数据与原始载荷走向趋势一致,从而为飞机结构疲劳载荷的预测提供了一种可行方法.

摘要： 本文提出了一种基于小波分解与重构的交通流预测方法,结合GM(1,1)模型和ARMA(p,q)模型对纽约市一天内的交通流量进行预测.通过多尺度小波分解,分离出低频信息和高频信息;然后对低频信息和高频信息分别进行重构,对低频信息用灰色模型进行拟合,对高频信息则采用自回归滑动平均模型;最后将预测结果叠加,从而得到原始序列的预测值.通过实验结果表明,该方法具有更高的预测精度。

摘要： 本文在随机利率情形下研究了一类挂钩于黄金指数的到期区间理财产品定价问题.首先,针对源自新浪财经网的黄金价格指数的历史数据,进行统计分析获取历史波动率数据.其次,采用ARIMA模型方法对波动率进行预测.然后利用预测的波动率数据对理财产品价格进行Monte-Carlo模拟,获取相应的理财产品价格.最后通过数值算例分析了Monte-Carlo模拟的收敛性,同时对几种同类型的理财产品所蕴含的价值进行了比对分析.

摘要： 本文在随机利率情形下研究了一类挂钩于黄金指数的到期区间理财产品定价问题.首先,针对源自新浪财经网的黄金价格指数的历史数据,进行统计分析获取历史波动率数据.其次,采用ARIMA模型方法对波动率进行预测.然后利用预测的波动率数据对理财产品价格进行Monte-Carlo模拟,获取相应的理财产品价格.最后通过数值算例分析了Monte-Carlo模拟的收敛性,同时对几种同类型的理财产品所蕴含的价值进行了比对分析.

摘要： 本文在随机利率情形下研究了一类挂钩于黄金指数的到期区间理财产品定价问题.首先,针对源自新浪财经网的黄金价格指数的历史数据,进行统计分析获取历史波动率数据.其次,采用ARIMA模型方法对波动率进行预测.然后利用预测的波动率数据对理财产品价格进行Monte-Carlo模拟,获取相应的理财产品价格.最后通过数值算例分析了Monte-Carlo模拟的收敛性,同时对几种同类型的理财产品所蕴含的价值进行了比对分析.

摘要： 本文在随机利率情形下研究了一类挂钩于黄金指数的到期区间理财产品定价问题.首先,针对源自新浪财经网的黄金价格指数的历史数据,进行统计分析获取历史波动率数据.其次,采用ARIMA模型方法对波动率进行预测.然后利用预测的波动率数据对理财产品价格进行Monte-Carlo模拟,获取相应的理财产品价格.最后通过数值算例分析了Monte-Carlo模拟的收敛性,同时对几种同类型的理财产品所蕴含的价值进行了比对分析.

摘要： 基于ARMA(1,1)条件下的农产品需求,引入促销系数和剩余系数变量,建立了快速响应下的供应链成员最佳订货模型及供应链利润函数,借助Matlab等软件和循环算法,对促销系数和剩余系数对农产品供应链牛鞭效应的影响、与农产品供应链利润的关系、牛鞭效应与利润的关系及二变量的灵敏度等问题分别进行了研究.研究表明,促销系数和剩余系数对农产品供应链牛鞭效应的影响显著,既存在牛鞭效应放大现象,也存在反牛鞭效应现象,相比促销系数,剩余系数对供应链牛鞭效应的影响更大;供应链利润随剩余系数减小而增加,但增加趋势比较平稳,随促销系数增大而增加,且当促销系数较大(大于1)时,供应链利润迅速增加;最大促销系数和最小剩余系数下的供应链利润最大;就牛鞭效应与供应链利润二者关系而言,供应链需求放大程度较小仅仅是产生较大供应链利润的必要条件而非充分条件.

摘要： 本发明属于工件寿命预测领域，针对现有技术中零件剩余寿命时精度不高的问题提出了基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端，该方法包括获取预设的健康预测模型；获取目标健康指数；根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间；其中健康预测模型的建立是通过将时间序列和阶数上限带入ARIMA模型中获得的，实质为，根据历史综合健康指数随时间变化的规律，推测出该零件在未来的某个时刻出现目标健康指数的时间。

摘要： 本发明提出了一种燃烧不稳定自适应闭环主动控制方法，属于燃烧领域，本发明的方法为：先通过燃油流量供给流量信号和动态压力信号利用递推最小二乘算法对系统进行在线辨识，然后利用最小方差间接自校正主动控制，决策每一时刻的燃油流量，以实现对燃烧脉动压力进行控制；本发明为一种自适应闭环主动控制方法，在控制过程中综合考虑当前控制信号和控制后燃烧压力脉动反馈信号，不断更新系统的结构参数，取燃烧压力脉动的方差为目标函数，保证压力脉动方差最小的情况下给出系统的控制信号，即燃油流量。

摘要： 基于高斯混合和自回归滑动平均模型的黑烟车识别方法，包括如下步骤：（1）利用高斯混合模型从道路监控视频中检测车辆运动目标；（2）提取车辆关键区域的三种特征，包括Haar‑like特征，共生矩阵梯度方向直方图特征和局部二值模式傅里叶直方图特征；（3）利用自回归滑动平均模型对每种特征的连续多帧进行建模，得到三个不同模型；（4）对于新的车辆目标，将三个模型分别用于车辆关键区域提取到的三种特征的分类，结合不同特征的分类结果和连续多帧的综合分析，对当前视频段是否有黑烟车做出判断。本发明可以大大节省传统方法消耗的人力和财力，有利于证据的获取和保存，不影响正常交通，能有效的提高执法效率。

摘要： 本发明提供了一种基于混合自回归滑动平均模型的卫星太阳能电池阵寿命预测方法，通过采集卫星太阳能电池阵输出功率数据，利用混合ARMA模型对太阳能电池阵的效能观测数据进行建模，采用周期图方法估计模型中角频率及潜周期的个数，然后确定仅包含趋势项和周期项的太阳能电池阵输出功率，确定模型中的阶(p,q)和参数a,b，最后基于建立的混合ARMA模型，对太阳能电池阵输出功率进行预报。本发明方法综合利用了时间序列分析中的时域与频域分析方法，充分利用了遥测数据，有较高的预测精度，且所建立的模型和实际数据拟合很好，能够较好地预测太阳能电池阵的寿命，为卫星的寿命预测和运行管理提供依据。

摘要： 本发明公开了一种基于广义时变方程误差自回归滑动平均模型的两阶段递推参数估计方法。大多数控制策略都是基于数学模型的，建立精确的数学模型在过程控制中起着重要的作用。再热蒸汽温度系统是大型电站锅炉的一种成熟、可靠的调温方式，该系统受金属材料性能的限制，温度不能过高，同时为了保证机组的效率，温度不可过低。再热蒸汽温度系统的参数是扰动量的函数，具有时变的特性并且在实际工业环境中容易受到有色噪声的干扰，影响参数辨识的准确性。为了实现参数实时估计并提高参数估计的效率，本发明将系统分解为两个虚拟的子系统，结合递推最小二乘方法交互估计系统参数。本发明包括包括构建出受有色噪声干扰的广义时变系统模型，构建出两阶段递推最小二乘参数辨识算法流程、构建出两阶段递推最小二乘算法等步骤。本发明方法简便、高效，可以应用于再热蒸汽温度系统的参数辨识。

摘要： 本发明涉及一类基于张量自回归滑动平均模型的视频分类方法，用于解决传统的视频数据处理方法不能充分利用视频数据中潜在的结构信息，造成视频数据内部的时域信息丢失，同时数据向量化造成的维度灾难等问题。首先，将视频序列表示为张量型数据，同时引入经典的时间序列表示方法‑自回归滑动平均模型。然后，应用张量分解得到观测矩阵和潜在的低维度的核张量的转移矩阵，该核张量是原始视频序列张量的一种有意义的、独一无二的表示。将观测矩阵和转移矩阵构建视频序列张量所对应的视觉矩阵序列，其可以映射为流形中的一个点。在对视频进行分类时，可以通过度量每个视频数据的视觉矩阵序列在流形中的相似性距离，进而对视频序列进行分类。

摘要： 本发明公开了一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法，首先对历史土壤湿度和温度数据进行数据预处理，接着通过AIC准则确定ARMA模型的阶数，然后使用土壤湿度和温度的历史数据对ARMA模型拟合，获得确定的ARMA模型，通过该ARMA模型预测出未来的土壤湿度和温度，结合气象局对未来天气的预测值，从而确定未来长期智能灌溉系统的灌溉水量。本发明预测土壤湿度和温度的ARMA模型也是在不断调整优化的，保证了ARMA模型的有效性，为长期预测的土壤湿度和温度具备实际指导价值；同时本发明使用模型预测结果与历史真实数据的均方误差来评价模型的可靠性，从而量化模型的拟合好坏，实现科学调整模型参数。

摘要： 本发明公开一种基于自回归滑动平均模型和极限学习机的网络流量预测方法该方法分为数据处理、机器学习、流量预测、结果对比四个主要步骤，利用小波变换对网络流量时间序列原始数据进行预处理，然后利用自回归滑动平均模型和改进的极限学习机对分解的网络流量时间序列进行建模和预测，最后检测评估模型效果。本发明用于解决以往模型所存在的问题，改善预测结果的准确性。

摘要： 基于高斯混合和自回归滑动平均模型的黑烟车识别方法，包括如下步骤：（1）利用高斯混合模型从道路监控视频中检测车辆运动目标；（2）提取车辆关键区域的三种特征，包括Haar‑like特征，共生矩阵梯度方向直方图特征和局部二值模式傅里叶直方图特征；（3）利用自回归滑动平均模型对每种特征的连续多帧进行建模，得到三个不同模型；（4）对于新的车辆目标，将三个模型分别用于车辆关键区域提取到的三种特征的分类，结合不同特征的分类结果和连续多帧的综合分析，对当前视频段是否有黑烟车做出判断。本发明可以大大节省传统方法消耗的人力和财力，有利于证据的获取和保存，不影响正常交通，能有效的提高执法效率。

摘要： 本发明公开了一种基于自回归滑动平均模型的风电功率超短期预测方法，包括输入数据得到自回归滑动平均模型参数；输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果。通过对风力发电过程中的风电功率进行预测，为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度，从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。