时间序列预测

摘要： ARIMA、LSTM等多种预测模型已在时间序列预测中得到应用,预测精度参差不齐。ARIMA、LSTM以及ARIMALSTM组合模型的预测精度仍有提升空间。为LSTM引入注意力机制形成AT-LSTM模型,将ARIMA的预测残差引入ATLSTM,进一步提高预测精度。利用不同的评估方法对混合模型进行评估,实验结果表明ARIMA和AT-LSTM组合模型的误差降低4倍,预测精度得到了提高。

摘要： 时间序列预测是典型的时间序列分析任务,对于辅助决策、资源配置、提前采取止损措施等方面有重要意义,在包括电力、气象、交通、商业等领域有广泛应用.近年来,时间序列预测算法一直是机器学习的热门研究领域,其中多变量时间序列预测是一个具有挑战性的任务.本文研究多变量时间序列预测的局部变量预测精度问题,即多变量预测需要在提升整体预测性能的同时保证局部单变量的预测精度.针对现有多变量时间序列预测算法不能保障局部变量预测精度的局限性,我们设计并实现了一种基于自演化预训练的多变量时间序列预测算法SEPNets.基于预训练的思想,SEPNets首先构建和训练单变量时间序列模型作为后续建模的基准.然后,通过拓展时序卷积网络和长短记忆(LSTM)单元来建模变量间复杂的时序依赖关系.通过将预训练模型和拓展模型进行融合再训练,SEPNets可以保障多变量时间序列预测的局部变量预测精度,并提升总体的预测性能.我们在5个真实数据集上对所提模型进行性能评估.实验结果表明,本文提出的SEPNets算法比现有算法获得相对最高的预测精度,同时在保障局部变量预测精度上具有更好的性能.

摘要： 近年来,生成对抗网络(generative adversarial networks, GANs)技术研究成果呈指数级增长,生成对抗网络使用零和博弈论将2个相互竞争的神经网络结合起来,使其能够产生更加清晰、离散的输出.在计算机视觉、医疗、金融等领域的图像和视频处理及生成、数据集增强、时间序列预测等方面已取得重大进展.主要介绍了生成对抗网络的基本框架、理论以及实现过程,分析了近年来主流研究现状,通过回顾生成对抗网络变体及其应用场景列举了亟待改进的问题.此外,还着重讨论了如何采用生成对抗网络隐私措施与处理敏感数据,以及生成对抗网络技术在相关领域的未来发展趋势.

摘要： 周转量作为计算运输成本、客货运收入、劳动生产率、客货运平均行程和运输密度等指标的依据,能比较全面和确切地反映运输的成果以及运输生产产品的数量,其预测对民航的科学化发展有重要意义。与民航业的快速发展和民航市场的不断扩大相比,目前民航的预测模型种类较少。为探索一种更为有效的方法来提高民航周转量预测准确率,较为新颖的Prophet模型和NeuralProphet模型被引入到对民航货物周转量、民航货邮周转量、民航旅客周转量和民航总周转量的预测中。在与单个模型对比中,在精确度上Prophet模型和NeuralProphet模型相较于传统的三次指数平滑法以及ARIMA模型预测结果更优。利用权值法创建的Prophet-ARIMA组合模型使预测结果更为精准,并被发现在讨论的所有模型中该模型表现最佳,这为民航预测提供了一种新思路。

摘要： 针对双阶段注意力自编码神经网络(DA-RNN)时间序列预测算法对随机数据预测效果较差和长时间预测中存在的累积误差问题进行改进,设计了一种基于生成式对抗网络(GAN)的时间序列预测算法。该算法以DA-RNN网络为生成网络,利用生成网络和判别网络之间的互补特性,消除DA-RNN网络对于长时间预测过程中存在的累积误差问题;引入多维注意力模型改进DA-RNN网络,并利用稀疏映射函数改进多维注意力模型;改进网络优化目标,通过探索目标序列在不同分位数下分布的形式,提升网络对于随机数据的预测精度。通过在公开数据集上测试,对算法的的准确性和有效性进行验证,结果表明:本文算法与DA-RNN算法相比,累积误差有明显降低,且对于随机数据的预测精度有显著提高。

摘要： 为了系统性地归纳工业场景下时序预测方法及应用,首先介绍了统计学习、集成学习、深度学习三类时序预测算法,并围绕工业数据分析与决策问题,重点分析了循环神经网络、卷积神经网络、编码−解码器模型三类深度学习模型的优缺点及适用的工业应用场景.为了清晰全面地评估模型性能,介绍了面向点预测、序列预测问题的统计指标和误差计算方法.同时,整理了经典的公开工业数据集,以便研究者快速评估算法性能.并以过程工业中的采矿、冶金为例,介绍了时序预测方法在真实工业场景下的应用和效果.最后,总结了工业领域中应用深度学习技术所面临的低稳健性和弱可解释性等问题,并探讨了工业场景下时序预测方法研究的未来发展方向.

摘要： 为了提高时序预测精度,提出了一种改进萤火虫算法(firefly algorithm,FA)优化LSTM的时序预测模型(GAFA-LSTM)。针对FA因种群多样性弥散陷入局部最优,影响寻优效果的问题,提出了种群多样性增加机制。FA在完成初始化后加入种群多样性的计算;在满足多样性增加机制的条件下,引入自适应多样性增加机制,有效平衡进化过程中对种群多样性的需求;在迭代后期加入自适应游动参数来避免局部震荡。将改进后的FA用于LSTM模型输入参数的优化,以提高LSTM模型输入参数的准确性。实验部分对改进FA进行了改进效果测试,对GAFA-LSTM模型进行了模型验证。结果表明改进FA具有较好的寻优效果,GAFA-LSTM预测模型较其他预测模型拟合程度与预测精度都有不同程度的提高。

摘要： 为提高时间序列模型预测的准确性及可解释能力,提出了变分模态分解(variational mode decomposition,VMD)和时域融合变换器(temporal fusion transformers,TFT)相结合的高效可解释预测模型,通过VMD将原始数据分解为多个模态,充分挖掘原始数据特征,将分解结果输入到TFT预测模型中,得出可解释性的预测结果。TFT是一种新的基于注意力的深度学习模型,将高性能的多水平预测和对时间动态的可解释见解结合在一起。以白卡纸价格为研究对象,证明了所设计模型的有效性。TFT的可解释输出包括分解的白卡纸价格子序列的重要性排序,所提出的白卡纸的可解释预测方法可为从业者的相关决策提供有力的支撑。

摘要： 建立空气质量预报模型提前获知可能发生的大气污染状况,并采取相应控制措施是减少大气污染危害的有效方法之一。本文针对WRF-CMAQ等模型预报结果不理想的问题,提出了基于一次预报数据和实测数据的二次预报模型,提高了一次预报模型的准确性,分析了气象条件对污染物浓度的影响程度,提出了时间序列预测模型和基于粒子群优化的BP神经网络模型,大大地提高了预测的精度。

摘要： 当前,教育大数据呈现数据量大和数据类型多样的特点,准确有效地对教育统计数据进行分析和预测,对教育部门相关政策的制定和社会的发展具有重要的参考价值。文中以某市每年的招生人数为数据基础,提出了DE-LSTM模型,该模型通过差分进化算法(DE)对长短期记忆神经网络(LSTM)中的隐含层节点和学习率进行优化,使所提模型具有较好的预测性能,并与现有的BP神经网络预测模型、LSTM神经网络预测模型进行了对比。实验结果表明,提出的DE-LSTM预测模型具有较高的预测精度。

摘要： 目的：“十三五”深化医药卫生体制改革规划中明确指出,要完善药品和医用耗材采购管理制度,目前各医院采购管理工作缺乏科学预测手段,亟待解决.方法：以基于小波变换的自回归移动平均模型为框架,组合预处理技术,探讨分析影响预测精度的主要因素并提出改进方法,不断降低误差直至满足实际需求.结果：该模型能有效提高突变节点处的预测精度,在各类数据集中均有优秀的拟合效果和较精准的预测效果.结论：利用改进型时间序列预测模型可有效提高医用耗材采购管理效能,具备良好应用推广价值.

摘要： 商业保险参与社会医疗保障体系建设一直是热议的话题,二者衔接的程度和衔接方式也是政策改革的难点,两种制度的结合在人们看来是合情合理、理所应当,但很少有人给出二者衔接的理论分析和数据支撑.本文从商业健康保险与城镇社会基本医疗保险的关系出发,通过31个省市、自治区面板数据分析和引入省际虚拟变量,从统计上证明了在现有经济发展水平下,社会基本医疗保险发展对商业健康保险不存在“挤出效应”,商业健康险是社会医疗保险的“互补商品”,这为二者的制度衔接提供了理论准备.接下来以北京市城镇基本医疗保险为重点研究对象,通过建立基础－扩展供给需求供给模型,选取指标进行人口队列预测和VAR时间序列预测,对2013-2023年的医疗服务供需缺口进行预测.预测结果表明政府有效供给远小于医疗真实需求,商业健康保险在弥补缺口方面可以发挥巨大作用.

摘要： 针对复杂的非线性时间序列难以准确预测的问题,将最近邻法(NN)与径向基函数网络(RBFN)相融合,设计了一种新的最近邻-径向基函数网络(NN-RBFN)的时间序列预测方法。NN-RBFN算法结构简单、易于编程,并具有通用性。将NN-RBFN应用于我国粮食产量的时间序列预测,取得了良好的预测效果,可为政府部门提供决策依据。

摘要： 矿区地下水系统是个非线性系统.由于受到水文地质、矿井开采等因素的影响,采用传统方法对矿井涌水量预测表现出很大的局限性.以混沌理论为基础,选取刘桥二矿区的1987年1月至2006年12月的矿井涌水量数据进行混沌特性分析.分别利用自相关法和Cao方法来改进小数据量法在选取时间延迟和嵌入维数上存在的主观性,并计算出矿井涌水量时间序列的最大Lyapunov指数为0.0149,显示该矿井涌水量时间序列具有混沌特性,再与神经网络结合,形成混沌神经网络模型,以期对矿井涌水量进行预测.结果表明,利用混沌时间序列预测方法对矿井涌水量进行预测是有效可行的.

摘要： 研究了VNNTF神经网络交通流量混沌时间序列预测的问题.首先,通过混沌理论提取了交通流量时间序列的混沌特征,并在此基础上建立了VNNTF神经网络交通流量时间序列模型;接着,阐述了VNNTF神经网络学习算法原理,设计了交通流量Voherra神经网络的学习算法快速学习算法;最后利用交通流量混沌时间序列对VNNTF网络模型、Voherra预测滤波器和BP神经网络进行了单步预测,并对预测结果的仿真图和真实值与预测值的方均根进行了比较,结果表明基于混沌学习算法的VNNTF神经网络的预测性能明显优于Volterra预测滤波器和BP神经网络.

摘要： 在桥梁基础托换过程中,为了保证桥梁在施工过程中的正常使用,需要关注其桥面及周围的沉降情况.本文以上海市地铁10号线溧阳路～曲阳路区间隧道四平路上沙泾港桥基础托换过程中桥下开挖及加固工况为实例,应用广义回归神经网络对桥面沉降量进行预测.通过对监测数据进行训练及检验得出广义回归神经网络在桥面沉降量时间序列预测应用中的合理性,并可以将该法作为同类工程的一个参考.

摘要： 提出了一种基于改进型概率神经网络(MPNN)的时间序列预测方法，该方法在利用贝叶斯统计决策理论及Parzen窗函数的无参数密度函数估计的基础上，通过改进原始的概率神经网络(PNN)并使其具备预测功能，从而实现了对大量数据的快速预测。在对HY—1B蓄电池数据进行小波去噪预处理的基础上开展了预测工作。结果表明：MPNN能够快速准确的对大量的蓄电池数据进行预测，这将对评估星载蓄电池的寿命起到至关重要的作用。

摘要： 将经验模态分解（EMD）方法引入到非线性数据处理中，提出用EMD分解后的数据进行混沌预测的方法。通过Duffing方程和Lorenz系统的非线性响应预测实例表明，EMD分解后的信号和原始信号相比具有较小的最大Lyapunov指数，可提高预测时间和长时预测精度。

摘要： 三维光学运动捕捉系统在计算机视觉、表演动画、虚拟现实等领域得到广泛的应用,光学运动捕捉系统数据获取过程相对比较简单,但是由于其获取的数据是三维空间中的散乱点,对散乱数据的后期处理尤其重要,特别是针对于噪声点和缺失点的处理直接影响数据准确性。本文提出一种基于AR模型的时间序列预测的方法,对缺失的点进行预测,对比了二阶、三阶、四阶和六阶AR模型的预测效果,讨论了连续预测的结果,取得了良好的预测效果.

摘要： 氧化铝硅渣作为配制生料浆的主要原料之一，成分波动大且检测滞后，传统预测效果不佳，影响了优化配料系统的实施效果，进而造成生料浆质量的不稳定，本文针对硅渣成分的时间序列，首先采用G—P算法和小数据量的Wolf算法分析其混沌特性；接着，运用粗糙集理论构造硅渣多组份时间序列的广义相空间；最后，通过支持向量机SVM描述广义相空间上输入输出变量间的关系，实现氧化铝硅渣成分的精确预测，为生料浆优化配料创造条件。实验结果验证了所提方法的正确性和有效性。

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： 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。

摘要： 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先将第i个时间序列输入时间序列预测模型，所述时间序列包括连续n个时间点的指标值，所述时间序列中包含指标极值信息，所述n为大于1的正整数；然后获取所述时间序列预测模型依据所述第i个时间序列及其之前的历史时间序列预测得到的所述第i个时间序列之后τ个时间点的指标值，所述τ为预设的正整数；其中，所述时间序列预测模型基于记忆网络预先训练得到。

摘要： 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先从历史时间序列获取训练数据，所述训练数据包括连续n个时间点的指标值，所述n为大于1的正整数；然后利用所述训练数据训练状态空间模型，得到时间序列预测模型；其中，依时间顺序将各时间点分别作为第ts个时间点执行：将第ts个时间点的指标值输入所述状态空间模型，由所述状态空间模型依据所述第ts个时间点及其之前各时间点的指标值预测所述第ts个时间点之后τ个时间点的指标值，所述τ为预设的正整数；训练目标包括最小化预测的指标值与训练数据中对应指标值的差异；其中，在所述预测中将待预测时间点之前各时间点的隐状态表示进行注意力机制的处理来得到所述待预测时间点的隐状态表示。

摘要： 本说明书实施例提供了一种建立时间序列预测模型的方法、时间序列预测方法和装置。根据该实施例的方法，首先从m个被测对象的历史时间序列获取训练数据，训练数据包括m个被测对象在连续n个时间点的指标值；然后利用训练数据训练得到m元时间序列预测模型；其中，依时间顺序将各时间点分别作为第ts个时间点执行：将m个被测对象在第ts个时间点的指标值输入m元时间序列预测模型，由m元时间序列预测模型依据m个被测对象在第ts个时间点及其之前各时间点的指标值预测m个被测对象在第ts个时间点之后τ个时间点的指标值；训练目标包括最小化预测的指标值与训练数据中对应指标值的差异。本说明书实施例能够实现更为准确的时间序列预测。

摘要： 本发明提供了一种时间序列预测方法，其包含以下步骤：将一时间序列分别输入至多个模型中以产生多个预测时间序列；分别使用该多个模型以计算出分别对应到所述多个预测时间序列的多个不确定性参数；根据所述多个不确定性参数来决定出每一个预测时间序列的一权重；以及根据每一个预测时间序列的所述权重来对所述多个预测时间序列进行加权运算，以产生一最终预测时间序列。

摘要： 本申请涉及人工智能领域中的一种训练时间序列预测模型的方法、时间序列预测方法及装置，该训练时间序列预测模型的方法包括：获取时间序列数据特征，所述时间序列数据特征为时间序列数据在当前时刻的数据特征；基于事件序列数据的发生时刻确定事件序列数据特征，所述事件序列数据特征用于表示所述事件序列数据在当前时刻的数据特征，所述事件序列数据特征包含发生时刻的时间信息；基于所述时间数据特征与所述事件序列数据特征进行时间序列预测，得到预测的时间序列数据；基于所述预测的时间序列数据，调整所述时间序列预测模型的参数。该方法有助于提高时间序列预测的预测效果。

摘要： 一种基于定量筛选时间序列预测模型的时间序列预测方法，解决了现有时间序列预测模型的定量筛选准确度低的问题。该时间序列预测方法是基于m个候选预测模型实现的，m为正整数，该方法包括如下步骤：步骤一：根据需要评价的指标，对m个候选预测模型进行模型的定量筛选，获得最优模型；所述指标包括整体误差指标、预测效率指标、局部误差指标、无量纲准则指标和多次实验性能指标；步骤二：利用最优模型对时间序列进行预测。它主要用于从众多时间序列模型中选择适合模型。