基于时间序列模型的航班运行风险短期预测

针对国内航班运行风险预测技术匮乏的现状,采用移动平均自回归(ARMA)方法,构建航班日运行风险的单变量预测模型;采用向量自回归(VAR)方法,构建航班日运行风险的多变量预测模型;经稳定性检验后,对比2种方法的短期预测效果,发现使用ARMA的单变量预测模型,未来第3天预测精度达到80.76%,可用预测周期为1～3天;而VAR多变量预测模型计算出未来第1天预测精度可高达92%,第7天预测精度仍达到80.64%,适用预测周期为1～7天。结果表明:基于ARMA和VAR的时间序列模型可用于航班运行风险的短期预测,而VAR模型精度更好,更加符合实际需求。     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

基于HP滤波与ARMA模型的生产安全事故时序预测

为了研究月度生产安全事故变化规律并进行预测,采用Hodrick-Prescott滤波将事故序列分解为长期稳定趋势和短期波动两部分。对长期事故序列进行了平稳性检验,建立了线性回归预测模型。通过比较不同形式模型变量的显著性,建立了反映事故短期波动的自回归移动平均模型,短期预测值用于修正长期趋势预测值。结果表明,事故序列在长期上符合线性回归模型;事故短期波动预测ARMA(4,6)模型显示,事故波动变量与前1、2、4期存在自相关特征。     

基于GM(1,1)的残差修正模型的电梯故障率预测

为研究某城市某品牌电梯故障率发展趋势,建立了该城市该品牌电梯故障率的GM(1,1)灰色预测模型,并对所建模型进行了数据检验,检验结果表明该预测模型的预测精度波动较大。为了提高GM(1,1)灰色预测模型的预测精度,利用对模型进行数据检验时得到的残差序列,建立GM(1,1)灰色预测模型的残差修正模型,利用该残差修正模型对原预测模型进行修正。利用经残差修正模型修正后的故障率预测模型对该城市A品牌电梯的故障率进行预测,结果表明:1)残差修正模型对原模型修正后的相对误差与修正前相比有升也有降,但精度有所提高且趋于稳定,表明残差修正模型有利于提高预测精度;2)利用所建立的故障率预测模型求得的预测故障率与实际故障率相比,相对误差不超过8.010%,表明该故障率预测模型的预测精度较高;3)修正模型预测值表明,在现有状态下该城市A品牌电梯的故障率呈上升趋势,应加强该品牌电梯的检维修与管理。     

时间序列模型在火警短期预测中的应用

基于某市的119火警数据,采用时间序列模型中的ARIMA算法进行了分析.计算结果表明,该市119火警数据的天序列服从ARIMA(0,1,2)模型,周序列服从ARIMA(1,0,0)模型.从模型对数据的拟合效果来看,ARIMA模型较为准确的反映了数据序列的发展趋势.采用这两种模型对数据序列分别进行了短期的预测,其预测值与实际结果在趋势上基本一致,研究表明采用周序列预测的效果要好于天序列.基于时序模型的火警预测方法是实现时火灾应急处置中关口前移的重要措施.     

环境监测系统中异常数据的识别和修复方法

为准确掌握企业大气监测数据的变化规律,得到完整的、接近真实的大气环境监测数据,提出一种组合异常数据检测算法(SWDS-LOF)以检测异常值,并利用多项式拟合的方法对异常数据进行修正.针对修正后数据不完整的情况提出多变量季节性时间序列模型(SARIMA),对随季节性变化趋势较明显的大气监测数据缺失值进行恢复,并建立高度相关的污染物传感器组之间的SARIMA模型,利用高度相关污染物之间的关系,通过完整监测数据恢复缺失部分数据,最终得到完整准确的监测数据.以某汽车公司的监测数据为例进行实证分析并验证所提算法和所建模型,结果显示SWDS-LOF算法与SARIMA模型检测并修正了 97％的异常数据,缺失数据段的数据全部恢复,且恢复精度达到94.60％,表明对于大气监测数据,该算法及模型具有较高的精度,可为大气监测数据的完整性及可靠性提供有效技术支持.     

页岩气压裂井下工况多步预测方法研究

为实现页岩气压裂井下工况预测,及时预控异常工况,基于粒子滤波(PF)算法与自回归滑动平均(ARMA)模型,提出优化的局部加权线性回归(LWLR)模型的方法。该方法以ARMA模型与PF算法构建PF_ARMA模型,并用该模型预测井口压力的变化,再将预测效果作为优化LWLR模型参数的依据,得到最优压力参数的LWLR模型,最后以某段页岩气压裂压力数据为例,比较优化的LWLR模型与传统模型的预测结果。结果表明:优化的LWLR模型预测精度有所提高,并且更能准确描述数据的变化趋势及幅度。     

基于时间序列ARMA模式识别的基坑监测预警优化研究

本文分析了传统监测预警模式的特点,为优化深基坑工程传统监测预警模式提出基于时间序列ARMA模型对地铁深基坑变形进行多重防线监测预警。在大量监测数据的基础上,利用时间序列ARMA模型对基坑沉降变形进行预测,对比分析预测值与实际值。根据武汉唐家墩地铁站基坑水事故特征,研究ARMA模式数据的变化,预警深基坑工程施工风险,并进行综合风险分析,以达到全面预防涌水事故的目的。     

基于CEEMDAN和改进的混合时间序列模型工作面涌水量预测研究

为提高采煤工作面涌水量预测准确度,收集大量工作面涌水量观测数据进行整理、统计、分析,将涌水量稳定性、周期性和季节性特征考虑在内,提出1种基于数据驱动的完全自适应模态分解算法(CEEMDAN)和改进的混合时间序列模型工作面涌水量预测方法。该方法利用CEEMDAN处理涌水量数据,构建麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)和自回归移动平均模型(ARIMA)并行级联而成的混合时间序列模型对工作面涌水量进行预测。研究结果表明：该模型预测结果与真实数据相差更小,平均绝对误差为6.36 m³/h,均方根误差为10.6 m³/h,模型拟合系数为0.95,更适用于工作面涌水量预测。研究结果可为矿井工作面涌水量预测及防控提供参考。     

边坡变形的LMD-ELM多尺度预测模型研究

为准确预测边坡变形,有效预防边坡灾害发生,提出构建基于局域均值分解(LMD)和极限学习机(ELM)的边坡变形多尺度预测模型。用LMD方法,将边坡变形时间序列分解为多尺度且相对平稳的随机项、周期项和趋势项。针对各项时间序列,分别构建基于ELM的预测模型。经累加各分项预测值,获得模型最终预测结果。以甘肃某边坡变形为案例,进行实证分析。结果表明:LMD-ELM模型能够充分挖掘数据内部隐含的变形规律,有效诠释多尺度变形与其诱发因素间复杂的响应关系,预测精度、运行速度和拟合泛化能力较其他模型有所提高。     

基于灰色新陈代谢马尔可夫模型的飞行事故预测

灰色预测适用于时间短、数据量少和波动不大的预测问题,在长期预测时,数据序列拟合较差,预测精度偏低;而马尔可夫链适用于长期、数据序列随机波动大的预测问题。笔者结合灰色新陈代谢GM(1,1)模型和马尔可夫链理论的优点,建立飞行事故预测模型。模型去掉已失去参考价值的历史老信息,补充新信息,克服了随机波动性数据对飞行事故预测精度的影响,提高了灰色预测的应用水平。实例预测1973—2008世界飞行事故,其结果证明了灰色新陈代谢马尔可夫GM(1,1)模型预测精度较高,可用于飞行事故预测,具有较强的科学性和实用性。     

基于EMD-LSSVM的瓦斯浓度动态预测模型

为提高回采工作面瓦斯体积分数预测时效性,建立了EMDLSSVM的瓦斯体积分数动态预测模型;为能够快速有效地反映瓦斯体积分数当前状态,避免早期历史数据对模型预测的影响,采用复合窗口技术对瓦斯体积分数时间序列进行动态更新;为提高算法预测精度,先采用经验模态分解算法(EMD)对更新后的窗口数据进行分解得到高频项、低频项和趋势项,考虑到瓦斯体积分数变化受到诸多因素干扰导致预测难度较大,但由同类因素影响的瓦斯体积分数变化特征具有较高的相似性,利用聚类方法将瓦斯体积分数监测数据划分成性质相似的若干个模式类别,以减少各种随机因素对预测结果的影响,再利用最小二乘支持向量机(LSSVM)对高、低频项进行加权预测,用自回归(AR)模型对趋势项进行预测,最后进行组合预测。实例对比分析表明,该预测模型能够有效地预测瓦斯体积分数的变化趋势,减少了预测时间,预测精度也满足矿山安全工程实际要求。     

矿山微震时间序列的相空间构建与混沌吸引子维数确立

为了进一步挖掘矿山微震信号内蕴藏的信息,初步研究了微震信号的混沌特性。针对矿山微震信号非平稳、非线性的特点开展了以下研究:建立了一维时间序列的相空间重构模型,分析了一维和多维微震时间序列的空间相型;选取了矿山现场监测一维微震时间序列（N=2 000）,利用自相关函数求取了时间序列的延迟时间τ;建立了微震时间序列关联分维数的循环计算模型;最终确立了相应临界距离r（r=250）和相空间维数m（m=50）的值,计算求得分维数D的值为1.088 5。研究结果表明,微震一维时间序列的吸引子维数存在,同时也证明了微震时间序列具有混沌特性。该研究结果为利用混沌理论处理矿山微震数据,如初始到时精确拾取、信号特征分析与提取以及波形降噪等提供理论依据。     

基于运行场次用时误差的载人设备故障预警可视化研究

针对国内游乐设施行业载人设备运行状态监测不够完善、故障诊断多数情况下需要依赖技术人员经验的现状,分析了基于机理模型、基于知识和基于数据驱动的载人设备故障预警方法,研究了载人设备故障预测的多元线性回归算法,并利用矿山车的时间系数、人数系数、温度系数,建立了矿山车载人设备的多元线性回归模型。通过矿山车15个同步点区间用时预测案例,在可视化平台上显示预测和实际运行曲线,实现了对矿山车或过山车类载人设备运行故障的有效预警。     

基于灰色马尔可夫的道路交通事故预测

探讨灰色马尔可夫模型在道路交通事故中的具体应用。灰色模型适用于短期、数据量少和波动不大的预测问题,在长期预测时,数据序列拟合较差,预测精度偏低;而马尔可夫链适用于长期、数据序列随机波动大的预测问题。灰色马尔可夫模型结合了灰色GM(1,1)模型和马尔可夫理论的优点,利用灰色模型进行长期预测,再利用马尔可夫链理论进行波动状态预测,最后得到期望值。该模型克服了随机波动性数据对道路交通事故预测精度的影响,提高了灰色预测的准确度。实例结果,证明灰色马尔可夫GM(1,1)模型具有较好的应用价值,为道路交通安全管理提供了有用依据。     

交通事故时间序列预测模型研究

为提升交通事故时间序列预测精度,建立一个基于相关向量机(RVM)的交通事故时序序列预测模型。结合RVM的建模与求解思想,建立交通事故时间序列预测函数关系式;设计交通时序参数预测模型实现流程,并选取均方根误差(RMSE)、模型训练时间等作为评价指标;以我国交通事故数、万车死亡率、10万人口死亡率为例,验证所建模型的有效性。实例验证表明:所建模型对不同的交通事故时间序列指标预测效果良好,预测精度高于灰色预测、自回归移动平均模型、支持向量机(SVM)等经典模型。     

城市轨道交通客流量时间序列分段拟合方法

为有效指导行车调度、预防和处置轨道交通突发事件,利用曲线拟合方法挖掘客流量时间序列趋势性特征,在客流时间分布分析和数据探索的基础上,通过整体拟合、人工分段拟合和自动分段拟合,对北京市36个地铁站单日内客流量进行时间序列建模优化研究,并对比3种方法的拟合结果和R2指标。研究表明:分段拟合利用局部函数建模客流量变化的动力学过程,相较整体拟合能更好地逼近实际;在分段拟合时,采用自动分段策略,能避免人为判定分段点的主观性,实现最佳优化,进一步提高预测分析效率和精度。     

边坡位移的EEMD-PSO-ELM模型预测方法

为解决边坡变形位移预测难度大的问题,利用北斗监测系统获取边坡位移数据,引入集合经验模态分解(EEMD)法、粒子群优化(PSO)和极限学习机(ELM),建立边坡位移预测的EEMDPSO-ELM模型;以攀钢集团石灰石矿5号监测点为例,对原始数据小波去噪,采用EEMD法将位移时间序列分解为波动项位移和趋势项位移;利用PSO-ELM优化模型预测下一时段位移,叠加2项位移预测结果,得到边坡累计位移预测值,并对比分析预测结果。结果表明:EEMD-PSO-ELM模型位移预测方法的平均相对误差(MRE)为0. 15%,均方根误差(RMSE)为0. 03,拟合优度为0. 999 9,该模型具有一定的精确性和适用性。     

航空装备事故的灰色时序组合预测模型

为提高航空装备事故预测水平,提出一种基于灰色和时间序列分析模型的航空装备事故组合预测模型。先构建灰色模型,提取历史数据中承载的趋势信息。然后进行模型选择、阶数识别和参数估计,建立灰色残差的时间序列分析模型,用以刻画历史数据中的随机波动特征。最后,将2个模型的预测值相加,得到所求的组合预测结果。实例中,以美国空军1996—1999年的A级飞行事故10万时率数据为基础,建立灰色时序组合模型,模型中短期预测精度优于单一灰色模型,平均相对误差控制在5%以内,预测结果能够反映航空装备安全的实际状况。     

改进GM(1,1)模型在城市环境噪声预测中的应用

本文从传统GM(1,1)预测模型构造原理出发分析其存在的不足,指出模型适用于具有较强指数规律的序列,只能描述单调变化过程,而且预测数据序列中出现连续两个相等值时将使得a等于0,会使预测数据发散致使预测失效.文中通过采用平均斜率的概念计算a(k)序列,并利用MATLAB编程实现数据处理.广州市环境噪声污染数据的计算表明,新方法有满意的拟合和预测效果,从而为提高建模精度提供了新的途径.