CEEMDAN-SE-ARIMA模型在降水变率较小的西北部区域预测效果更好,对东南部区域的极值分布中心预测较为准确。 关键词 东北夏季降水;模态混叠;CEEMDAN;样本熵;ARIMA 文章亮点 文章基于“分解-重构-集成”的思想,结合CEEMDAN分解完整性较好、ARIMA短期...
此外,还构建了ARIMA单一模型和其他组合模型,旨在与CEEMDAN-SE-ARIMA组合模型对比.结果表明:CEEMDAN-SE-ARIMA组合模型考虑了时间序列的模态混叠特征,能有效提高东北地区夏季降水时序模型的预测能力,具有良好的预测应用价值.预测结果较单一模型和其他组合模型均有所提高,MASE降低了0.02~0.91 mm,RMSE降低了0.80~130.49 mm,...
首先使用CEEMDAN对燃油流量信号进行分解得到本征模态分量,利用样本熵筛选含噪分量,并用相关系数与方差贡献率进行复核。对于含噪分量使用小波阈值降噪进行处理。最后将未处理的模态分量和完成降噪的模态分量重构得到最终燃油流量信号。通过与其他方法比较,CEEMDAN-SE-WT方法拥有最高信噪比为85.287,降噪后燃油消耗总量与飞机总...
% INPUTs % x: signal to decompose % Nstd: noise standard deviation % NR: number of realizations % MaxIter: maximum number of sifting iterations allowed. % % OUTPUTs % modes: contain the obtained modes in a matrix with the rows being the modes % its: contain the sifting iterations needed ...
实验结果表明,所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%,因此该模型具有较好的预测精度与稳定性,可有效预测短期风速。 【总页数】6页(P74-78) 【作者】王胜研;王娟娟 【作者单位】大连交通大学 【正文语种】中文 ...
结果表明:与常见的XGBoost模型,长短期记忆神经网络(LSTM模型),BiLSTM模型和其他组合模型相比,CEEMDAN-SE-BiLSTM模型在未来四个时刻(T+3,T+6,T+12,T+24)的预测性能更优.T+3时刻,CEEMDAN-SE-BiLSTM模型的均方根误差(RMSE),平均绝对误差(MAE),平均绝对百分比误差(MAPE)分别下降1.10,0.74,6%以上,决定系数(R~...
基于CEEMDAN-SE-CNN-BiLSTM模型的大豆期货价格预测 Soybean Futures Price Forecasting Based on CEEMDAN-SE-CNN-BiLSTM Model 作者： 周雅丽[1];谭莹莹[1,2];赵玉华[3]作者机构： [1]安徽建筑大学数理学院,安徽合肥230601;[2]安徽建筑大学运筹学与数据科学实验室,安徽合肥230601;[3]合肥师范学院数学与统计学院,...
针对电力负荷预测的精度较低问题,提出一种基于CEEMDAN-SE-VMD和CNN-BIGRU组合模型的负荷预测方法.首先该模型采用自适应噪声的完全经验模态分解(CEEMDAN)处理成分复杂的原始负荷数据,经过分解后得到若干个包含不同频率成分的本征模函数(IMF).再利用样本熵(SE)对分解后不同频率的本征模函数进行熵值聚类重组.然后,利用变分...
ICEEMDAN+SE改进的自适应经验模态分解+样本熵重构分量 包括频谱图 避免了传统经验模态分解的一些固有缺陷 效果更佳 附赠案例数据 可直接运行 直接替换excel数据即可使用 适合新手小白 程序设计 完整源码和数据获取方式:私信回复MATLAB实现ICEEMDAN+SE改进的自适应经验模态分解+样本熵重构分量。
4. CEEMDAN-SE-BiLSTM-MC Prediction Model Building In this study, a CEEMDAN-SE-BiLSTM-MC-based wind power short-term prediction model is proposed for the characteristics of intermittent and stochastic fluctuations in wind power data. The prediction process is shown in Figure 5, and the process...