SVMHybrid SARIMA-SVM modelIn this work, a new hybrid model for short-term power forecasting of a grid-connected photovoltaic plant is introduced. The new model combines two well-known methods: the seasonal auto-regressive integrated moving average method (SARIMA) and the support vector machines ...
针对战时非平稳,非线性环境下预测难题,利用季节性差分自回归移动平均模型(SARIMA)和支持向量机模型(SVM)分别对线性和非线性时间序列的较强拟合能力,采用SARIMA对军用物资需求量时间序列数据进行线性建模,并用SVM对SARIMA模型残差进行非线性建模,将SARIMA模型与SVM模型组合对战时需求进行预测,结果表明,SARIMA-SVM组合模型预测...
基于SARIMA-SVM模型的季节性PM2.5浓度预测 宋英华, 徐亚安, 张远进 Seasonal PM2.5Concentration Prediction Based on SARIMA-SVM Model SONG Yinghua, XU Yaan, ZHANG Yuanjin 计算机工程 . 2025, (1): 51 -59 . DOI: 10.19678/j.issn.1000-3428.0068372...
混合时序针对高速铁路接触网设备故障强度预测问题,以吊弦为例提出一种基于季节性自回归移动平均模型(SARIMA)-支持向量机(SVM)混合时序的吊弦故障强度预测方法.采用SARIMA对吊弦故障时间序列进行线性建模,并利用SVM对SARIMA预测残差进行非线性建模,实现组合预测.结果表明,混合时序对故障强度的预测精度好于单一预测模型,为吊弦...
SVMARIMAMAPE客流预测组合模型为提高地铁客流预测精度,通过结合不同类型日期的地铁客流量周期性及非线性特点,提出融合季节差分自回归移动平均模型(SARIMA)和支持向量机(SVM)的优化模型.该模型采用SARIMA对地铁客流量的时间序列数据进行线性建模,使用SVM对SARIMA模型输入的残差值进行非线性建模,并分别将SARIMA模型,SVM模型及...
基于SARIMA-SVM组合模型的战时军用物资需求预测 基于SARIMA-SVM组合模型的战时军用物资需求预测 作 者：程虎彪;姜大立 作者机构：后勤工程学院 出 版 物：军事运筹与系统工程 年 卷 期：2016年 第2期 摘 要：针对战时非平稳、非线性环境下预测难题,利用季节性差分自回归移动平均模型(SARIMA)和支持向量机模型...
Therefore, this study proposes a seasonal auto regressive integrated moving average-support vector machine (SARIMA-SVM) time series analysis algorithm, combining time series analysis and nonlinear analysis, for data analysis of atmospheric environment information and improvement of pollution forecast accuracy...
SARIMASVMDengue FeverTime Series ModelingFeature importanceDengue remains to be a major public health concern in the Philippines, claiming hundreds of lives every year. Given limited data for deriving necessary epidemiological parameters in developing deterministic disease models, forecasting as a means in...
(LSSVM)中,得到非线性分量的预测结果.最后集成线性与非线性预测结果,得到最终的溶解氧质量浓度预测值.结果表明,与SARIMA,LSSVM,VMD-LSSVM模型相比,基于SARIMA-VMD-LSSVM模型对溶解氧质量浓度进行预测的精度显著提高,预测的均方根误差(RMSE)为0.0787,平均相对误差(MAPE)为0.0226,说明该组合模型可有效提取溶解氧质量...
基于SARIMA-SVM组合模型对丙型肝炎发病率进行预测研究.首先,利用2011年1月至2020年12月的发病率数据分别建立SARIMA模型,SVM模型和SARIMA-SVM组合模型;然后,利用2021年1月至12月的发病率数据验证模型的预测效果,并得出SARIMA-SVM组合模型的预测精度较高;最后,利用SARIMA-SVM组合模型对2022年1月至12月的发病率数据进行...