时间序列分析的直播星用户开卡预测

针对同一地区不同时间内直播星电视服务用户的数量变化特征,该文提出了基于时间序列的直播星用户预测方法,并通过ARIMA模型预测用户数量。分析了ARIMA模型的建立方法和评价参数,对时间序列模型ARIMA(p,d,q)的参数进行不同组合的尝试;利用模型评价参数(平稳的R方和正态化的BIC)确定模型的阶数p、q;对模型进行参数检验和显著性检验,根据检验结果确立最终模型为ARIMA(4,2,3);采用宁夏用户数据对模型拟合效果进行验证,进而对未来几个月的用户数量进行预测。结果表明,时间序列模型ARIMA(4,2,3)对宁夏用户数量变化的预测准确度比较高。     

一种抗差的形变数据插补方法

针对传统基于空间插值和时间序列上的插值补全形变缺失数据的方法在空间点位分布稀疏、观测值连续缺失以及含有粗差的情况下插补效果不佳的问题,提出了一种基于抗差Kriged Kalman Filter的形变缺失数据插补方法。该方法是一种时空插值的算法,在空间点位分布稀疏时考虑时间上的相关性,在时间上出现连续缺失时考虑其他点位对插补点的影响,以提高插补缺失数据的精度。又将抗差估计融合到Kriged Kalman Filter中以抵抗形变数据中粗差对插补精度的影响。利用模拟数据及天津GPS地面沉降数据进行了实验分析。结果表明:由于该法考虑了监测点的时空相关性以及具有抗差性能,使得插补结果在空间点位稀疏、连续缺失或具有粗差的情况下都具有较高的插补精度。     

基于ARIMA模型的边坡变形分析与预测

详细论述了时间序列分析中的平稳性分析、模型识别、模型评价和模型预测的过程,建立自回归滑动平均求和(ARIMA)模型对2016年6月29日-2017年10月4日共计461 d的边坡监测数据进行时间序列分析和预测。结果显示:利用ARIMA模型对边坡观测数据进行时间序列分析具有可行性,并能取得较好的效果,研究成果可为工程施工和防灾减灾提供技术参考。     

基于RNN的空气污染时空预报模型研究

针对空气污染物时间序列中包含缺失值以及现有时间序列预报模型缺乏对时序特征状态建模的问题,该文构建了基于缺失值处理算法和RNN(循环神经网络)的时空预报框架。对空气污染物时序数据设计了3种缺失值处理算法(前向递补、均值替代和权重衰减),用缺失标签和缺失时长对缺失值建模,并在此基础上搭建含有全连接层与LSTM层的深度循环神经网络(DRNN)用于时空预报。使用深度全连接神经网络(DFNN)作为DRNN的对照,用京津冀区域的空气质量和气象数据训练模型,并比较不同模型的预测精度。通过实验,比较了3种缺失值处理方法的效果,结果表明,LSTM在空气污染时空序列预测上的表现优于传统的全连接神经网络层,证实了提出的基于深度学习的时空预报框架的有效性。     

趋势项优化混合时序模型的建筑物沉降应用

针对传统差分整合自回归移动平均(ARIMA)模型对确定性趋势序列的长期预测效果不佳,且无法直观刻画数据的波动规律等问题,该文提出一种趋势项优化的混合时序模型方法.结合北京某高层建筑物施工实例,首先通过迭代运算得到最优趋势项混合模型,然后分别以ARIMA模型、线性趋势项混合模型以及趋势项优化混合模型对50期沉降数据进行拟合,对未来5期数据进行预测.预测结果表明,趋势项优化模型长期预测精度较高,能更好地解释数据的波动规律.     

结合三次样条和时序模型的桥墩沉降预测

在时间序列模型中,等时间序列模型建模过程简单,预报准确,但观测时间是不等间隔的;三次样条插值可以对一定的区间进行有效内插,得到等时间间隔的拟合数据。针对两种模型的优点,该文结合等时间序列模型和三次样条插值进行高铁桥墩的沉降预测。首先通过三次样条插值将数据进行等时间间隔处理,然后利用得到的数据建立时间序列模型,最后通过三次样条插值求得相应观测时间的预测值。以某高铁桥墩沉降的观测点为例,分别进行原始数据时间序列建模以及三次样条插值和等时间序列组合模型建模。实验结果证明,组合模型的预测精度更高。     

基于多通道奇异谱的GNSS坐标序列 粗差探测与数据插值

由于接收机故障、天线更换以及一些未知外界环境因素的影响,导致GPS时间序列中不可避免地存在数据缺失和粗差,数据缺失和粗差会产生各种问题,因此需要鲁棒探测粗差和缺失数据插值来获得连续完整统一的时间序列。传统方法可能需要针对不同类型的数据和不同长度的数据间隙研究不同的插值方法,这使得缺失数据的插值较为困难。针对上述问题,文中采用多通道奇异谱分析(Multichannel Singular Spectrum Analysis,MSSA)对时间序列进行粗差探测和缺失数据插值,重建非均匀采样时间序列的连续可靠模型,且不需要关于时间序列的任何先验信息。在该方法中,粗差探测与数据插值同时进行。模拟数据和实测GNSS时间序列数据测试结果都表明该方法的有效性。     

基于高斯模型的样本缺失GPS时间序列重构方法

缺失样本的存在会造成GPS时间序列速度估计的不确定性,从而影响GPS时间序列的应用。针对该问题本文提出一种基于高斯模型的样本缺失GPS时间序列重构方法,首先利用高斯概率密度函数对GPS时间序列的先验分布进行建模,在此基础上构建全概率贝叶斯统计模型,采用期望最大(Expectation Maximization,EM)算法对模型参数(隐变量)进行迭代更新并计算其最大似然估计值,最终完成信号重构。分别对随机缺失和分段连续缺失两种情况进行实验分析,结果表明所提方法相对于传统插值方法可以获得更好的重构性能。     

一种建筑沉降叠加预测方法

针对高层建筑的沉降监测与趋势预报问题,结合时间序列分析方法,该文提出一种基于ARMA的趋势项和随机项叠加预测法,把沉降监测时间序列数据分解为趋势项与随机项,分别建立趋势回归函数模型与随机项ARMA模型,叠加进行沉降量的预报,并通过上海外滩某高层建筑的沉降监测实例,研究并比较了该方法与传统的ARIMA差分预测法对建筑沉降预报精度的影响。实验结果表明:基于ARMA的趋势项和随机项叠加预测法在沉降预报中精度优于基于ARIMA的差分预测法。该方法利用趋势回归函数的保持作用,克服了传统的时间序列ARIMA模型在长期预测中精度不高的问题,并且随着预测步长的增加,优势更加明显。     

时间序列回归预测模型在自动化监测中的应用

在边坡自动化监测过程中,由于传输信号中断、设备故障、电源中断及传感器替换等原因,不可避免地出现监测数据缺失的现象。数据的缺失对后续的边坡稳定性分析及预测带来不确定的因素,使分析结果产生偏差。本文针对边坡自动化监测数据缺失这一现象,采用时间序列回归预测模型对不同数据缺失率的边坡监测数据进行填补,通过填补值与真实值之间的绝对误差与均方根误差判别其在不同数据缺失率的填补效果,得出该模型对缺失率低于10%的缺失数据具有良好的效果,具有一定的实践意义。