将预测理论应用到仪器稳定度预测中,建立了一种基于EMD-SVM的稳定度组合预测模型.首先利用EMD方法对稳定度数据进行分解,然后对分解得到的数据选择一种预测模型进行预测,最后再把所有这些分解数据的预测结果输入到SVM中进行组合预测.通过与移动平均模型,自回归积分滑动平均(ARIMA)模型和线性组合预测模型的预测结果相比较,...
对每个IMF（本征模态函数）分别建立LSTM或ARIMA模型，再集成预测结果，提升对非平稳负荷波动的捕捉能力。
SVM（支持向量机）：SVM是一种监督学习模型，通常用于分类和回归分析。在时序预测中，SVM可以利用历史数据...
ARIMA模型可以很好的拟合 线性时间序列(包括平稳的和非平稳的),但是它不适于处理非线性的时间序列。 所以ARIMA模型在处理宏观经济数据方面取得巨大成功。经过一些差分技术和 平滑技术后,ARIMA模型可以很好的解释宏观经济时间序列。但是由于金融业 蓬勃发展,金融时间序列逐渐成为时间序列中重点研究对象。而金融时间序列与 ...
混合建模技术结合了多种不同模型的优点，能够弥补单一模型的不足，提高预测精度和稳定性。研究现状与问题 基于传统统计方法的预测模型，如ARIMA、VAR等，在处理线性、平稳时间序列时效果较好，但在处理复杂、非线性、非平稳时间序列时表现不佳。基于机器学习方法的预测模型，如神经网络、支持向量机等，能够处理复杂的非...
为了提高短期电力负荷的预测精度,提出一种基于经验模态分解、计量经济学模型和神经网络混沌模型的组合预测方法。首先,利用经验模态分解将负荷序列分解成一系列本征模态函数及余项;其次,针对不同分量的特性,建立不同的模型进行预测;最后,将所有分量的预测值求和作为最终的预测结果。算例表明该方法具有较高的预测精度。 Refer...
预测性能上都存在各自的缺陷,ARMA和ARIMA模型适 应于线性预测,算法简单,易于实现,但预测精度不高]。 灰色模型具有所需样本少,建模简单的特点,但对波动较 大的数据预测精度低l_2]。神经网络模型基于经验风险最小 化原则,适应于非线性预测,但要求的训练样本多,存在 ...
(IPSO)大坝变形预测模型.通过实例计算得到,SVM、RVM和EMD-RVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM (IPSO)模型的预测值误差均控制在5%以内.这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM (IPSO)模型的预测精度更高,且结构...
最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型.以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2.89mm,同时计算出SVM,RVM法的平均残差为11.62mm,9.30mm.可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形...
利用EMD将地表沉降实测序列分解重构为波动分量和趋势分量,采用滑动窗口法,将数据分为两类,一部分用于训练模型,另一部分用于测试,然后分别建立ARIMA模型和QPSO‑SVM模型对两个分量进行分析,最后对预测值进行求和,得出最后的预测结果。相比于其他的沉降预测方法,该方法具有预测精度高,满足施工要求,适用范围广的特点。