期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到33篇文章
< 1 2 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于SARIMA-LSTM-SA模型的煤炭日需求量预测 认领 引用
1
作者 黄俊婷 王忠鑫 +5 位作者 曾祥玉 辛凤阳 王子 刘增旭 高群 李杰 《中国煤炭》 北大核心 2026年第6期177-192,共16页
煤炭需求量预测对于露天矿开采方案设计和生产计划制定至关重要。然而,能源市场的短期大幅波动和复杂多变的生产条件使得煤炭企业难以精准预测市场需求。研究提出了一种基于季节性自回归综合移动平均(SARIMA)和长短期记忆(LSTM)神经网... 煤炭需求量预测对于露天矿开采方案设计和生产计划制定至关重要。然而,能源市场的短期大幅波动和复杂多变的生产条件使得煤炭企业难以精准预测市场需求。研究提出了一种基于季节性自回归综合移动平均(SARIMA)和长短期记忆(LSTM)神经网络与自注意力(SA)机制(LSTM-SA)相结合的SARIMA-LSTM-SA模型,用于煤炭日需求量预测问题。在该模型中,首先使用SARIMA过滤输入数据中的线性模式,而后将残差传递至LSTM进行非线性模式提取。考虑到LSTM提取长期数据依赖关系的能力有限,研究在LSTM中增加了SA机制,并构建了基于SARIMA最优结构的LSTM-SA输入模式以提高混合模型的预测性能。为降低LSTM-SA的计算开销,研究设计了一种自适应库稀疏策略以剔除冗余和异常数据。结合煤炭需求量数据中线性和非线性分量预测的复杂程度,分别开发了带有改进变异和交叉操作的单目标差分进化(IDE)和多目标差分进化(MOIDE)算法优化SARIMA和LSTM-SA的模型参数。实验结果表明,在连续60 d的预测时段内,SARIMA-LSTM-SA对于煤炭日需求量的预测误差率均低于2.5%,其中81.67%的预测时段误差率低于1%,满足露天矿实际生产要求。同时,SARIMA-LSTM-SA模型在预测精度和回归效果方面优于单一模型、线性和非线性混合模型以及去除所提LSTM-SA输入模式和稀疏策略的变体模型;MOIDE算法的性能优于当前主流的一些多目标优化算法。此外,SA机制增强了SARIMA-LSTM-SA对于煤炭日需求量数据中峰值和谷值的预测能力。 展开更多
关键词 需求量预测 季节性自回归综合移动平均(SARIMA) 长短期记忆神经网络(LSTM) 自注意力(SA) 多目标差分进化
暂未订购 下载PDF
基于SVM-SARIMA-LSTM模型的城市用水量实时预测 认领 引用 被引量：5
2
作者 李轩 吴永强 +2 位作者 王佳伟 杨伟超 张天洋 《水电能源科学》 北大核心 2025年第3期36-39,6,共4页
为提高气象波动下城市用水量预测精度,通过季节性分解的趋势—季节性—残差程序(STL)将城市时用水量分解为趋势分量、季节性分量和残差分量3部分,使用季节性自回归移动平均模型(SARIMA)对季节性部分进行捕捉,利用支持向量机(SVM)提取趋... 为提高气象波动下城市用水量预测精度,通过季节性分解的趋势—季节性—残差程序(STL)将城市时用水量分解为趋势分量、季节性分量和残差分量3部分,使用季节性自回归移动平均模型(SARIMA)对季节性部分进行捕捉,利用支持向量机(SVM)提取趋势部分与气温、降水、风速、气压和相对湿度5个气象因素之间的关系,利用长短时记忆网络(LSTM)对波动性明显的残差部分进行关系捕捉,构建了SVM-SARIMA-LSTM用水量实时预测模型,并利用衡水市3个月时用水量数据和气象数据训练SVM-SARIMA-LSTM模型,以随后1周的实测数据作为验证集对模型预测性能进行评估。结果表明,SVM-SARIMA-LSTM模型的平均绝对百分比误差(EMAP)比SARIMA模型低4.502%,均方根误差(ERMSE)降低了39.084%,确定系数R2提高了9.965%,最大绝对误差(EmaxA)减小了55.946%,具有较好的应用价值。所建模型通过整合关键气象因素,准确地捕捉到城市用水量的季节性趋势及非季节性波动,展现了优良的泛化性。 展开更多
关键词 SARIMA模型 支持向量机 长短时记忆神经网络 SVM-SARIMA-LSTM模型 STL分解程序 气象因素 用水量预测
暂未订购 下载PDF
基于SARIMA-LSTM组合模型的北极航道冰情预测与适航性分析 认领 引用 被引量：3
3
作者 胡麦秀 胡若兰 《极地研究》 CAS CSCD 北大核心 2025年第3期585-602,共18页
本文基于1991—2021年北极航道海冰密集度和厚度的观测数据以及国际海事组织(International Maritime Organization,IMO)最新发布的极地操作限制评估风险指数系统(POLARIS),对北极航道的综合航行风险值进行分析,并运用SARIMA-LSTM组合... 本文基于1991—2021年北极航道海冰密集度和厚度的观测数据以及国际海事组织(International Maritime Organization,IMO)最新发布的极地操作限制评估风险指数系统(POLARIS),对北极航道的综合航行风险值进行分析,并运用SARIMA-LSTM组合模型对北极航道冰情开展中长期变化趋势预测,同时评估两种具有代表性船型在航道上的通航能力。结果表明:(1)2022—2035年北极航道的冰情与前10年相比,呈现一定程度的减轻,包括海冰密集度和厚度均值分别下降了11.31%和4.82%,夏秋两季冰情变化更为明显;(2)基于IMO最新发布的POLARIS冰区航行风险评估系统,IACS PC7冰级船与IACS PC3冰级船的综合航行风险均不断下降;7—12月IACS PC7冰级船在北极航道各海区风险指数结果大于0,船舶在此期间航行风险是可控的和可正常操作的;而IACS PC3冰级船则在全年各海区风险指数结果大于0,全海域航行风险是可控的和可正常操作的;(3)基于船舶航行实际模拟设定的通航标准,对于不同冰级船在北极航道的可通航时间预测则存在着较大差异性,其中IACS PC7冰级船的可通航时间没有出现明显变化,依然为每年8—11月;而IACS PC3冰级船的可通航时间则从每年7月至翌年1月延长到每年6月至翌年2月。 展开更多
关键词 北极东北航道 冰情预测 适航性 SARIMA-LSTM组合模型
暂未订购 下载PDF
SARIMA-LSTM组合模型在铁路疫情短时客流的预测研究 认领 引用 被引量：12
4
作者 魏姝瑶 张瑾 《重庆理工大学学报（自然科学）》 CAS 北大核心 2023年第3期204-211,共8页
针对新型冠状病毒肺炎疫情这类突发性公共卫生事件对铁路短时客流造成的巨大扰动问题,分析疫情下的春运周期性、季节性的非平稳时间序列日客流曲线,构建基于SARIMA-LSTM的组合模型。利用SARIMA模型进行线性部分预测,LSTM滚动优化模型进... 针对新型冠状病毒肺炎疫情这类突发性公共卫生事件对铁路短时客流造成的巨大扰动问题,分析疫情下的春运周期性、季节性的非平稳时间序列日客流曲线,构建基于SARIMA-LSTM的组合模型。利用SARIMA模型进行线性部分预测,LSTM滚动优化模型进行非线性部分预测,将2个预测结果代入注意机制模块加权求和,引入GRU门控循环单元辅助验证。通过对实例研究分析,结果表明:SARIMA-LSTM组合模型的预测结果控制性好,准确率高,可为疫情突发事件短时客流数据集的预测提供理论依据。 展开更多
关键词 铁路运输 短时客流预测 SARIMA-LSTM组合模型 滚动优化算法 注意机制
暂未订购 下载PDF
基于SARIMA-LSTM模型的肾综合征出血热发病率预测研究 认领 引用 被引量：2
5
作者 唐诗诗 李宇轩 +2 位作者 唐圣晟 刘庆华 周毅 《医学信息学杂志》 CAS 2024年第8期71-77,共7页
目的/意义探究前沿技术在肾综合征出血热发病率预测中的应用,梳理、组合多种时序分析方法,评价并筛选最佳模型。方法/过程利用2004—2020年全国肾综合征出血热发病率数据,基于统计学方法的SARIMA、STL-ARIMA、TBATS模型,基于神经网络的N... 目的/意义探究前沿技术在肾综合征出血热发病率预测中的应用,梳理、组合多种时序分析方法,评价并筛选最佳模型。方法/过程利用2004—2020年全国肾综合征出血热发病率数据,基于统计学方法的SARIMA、STL-ARIMA、TBATS模型,基于神经网络的NNAR、LSTM模型,基于3种加权方式的SARIMA-LSTM组合模型进行预测,运用RMSE、MAE、MAPE综合评价模型效果。结果/结论SARIMA、LSTM在单一模型中较优;SARIMA-LSTM组合模型效果相较单一模型均有提升;基于误差倒数法的SARIMA-LSTM组合模型为最优模型。本研究有望为肾综合征出血热发病预警系统模型设计提供技术支持与参考。 展开更多
关键词 肾综合征出血热 传染病监测预警 统计学模型 机器学习 SARIMA-LSTM模型
暂未订购 下载PDF
基于SARIMA-LSTM组合模型的河南省快递业务量预测 认领 引用 被引量：2
6
作者 张美悦 桂海霞 《安阳工学院学报》 2024年第3期96-103,共8页
基于时间序列理论建立SARIMA和SARIMA-LSTM组合模型,以求对河南省快递业务量发展趋势的精准预测。由于传统的时序模型在快递业务量预测中很难捕捉到数据序列中的非线性特征,因此研究提出了一种季节性差分回归移动平均模型(SARIMA)与长... 基于时间序列理论建立SARIMA和SARIMA-LSTM组合模型,以求对河南省快递业务量发展趋势的精准预测。由于传统的时序模型在快递业务量预测中很难捕捉到数据序列中的非线性特征,因此研究提出了一种季节性差分回归移动平均模型(SARIMA)与长短期记忆网络(LSTM)相结合的组合预测模型。通过对这2种模型的预测结果进行对比分析,发现SARIMA-LSTM组合模型在对快递业务量变动趋势的预测上具有更高的准确性。 展开更多
关键词 SARIMA-LSTM组合模型 SARIMA模型 快递业务量
暂未订购 下载PDF
基于SARIMA-LSTM的各类飞行保障架次预测研究 认领 引用 被引量：4
7
作者 丁松滨 宋晓敏 +1 位作者 刘计民 管吉晨 《航空计算技术》 2021年第5期64-68,共5页
各类飞行保障架次是反映我国民航空管系统各单位保障能力以及运行效率的重要性指标,对各类飞行保障架次的预测分析有利于为相关部门的决策提供技术与理论支持。基于2010-2019年各类飞行保障架次的月度数据,根据数据的时间序列特点采用SA... 各类飞行保障架次是反映我国民航空管系统各单位保障能力以及运行效率的重要性指标,对各类飞行保障架次的预测分析有利于为相关部门的决策提供技术与理论支持。基于2010-2019年各类飞行保障架次的月度数据,根据数据的时间序列特点采用SARIMA拟合数据的线性趋势,得出预测值,再用LSTM对残差的非线性数据进行修正,得到修正后的残差,最终将预测值和修正后的残差相加得到最终的预测结果。将组合后的SARIMA-LSTM模型预测结果与SARIMA模型相比,结果表明组合后的模型对各类飞行保障架次有较好的拟合效果。 展开更多
关键词 各类飞行保障架次 时间序列预测 SARIMA LSTM
暂未订购 下载PDF
一种基于SARIMA-LSTM模型的电网主机负载预测方法 认领 引用 被引量：5
8
作者 王堃 郑晨 +1 位作者 张立中 陈志刚 《计算机工程与科学》 CSCD 北大核心 2022年第11期2064-2070,共7页
随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础... 随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。 展开更多
关键词 时间序列 负载预测 周期差分移动平均自回归模型 误差补偿 长短期记忆网络
暂未订购 下载PDF
融合自注意力机制和SARIMA-LSTM算法的快消品需求预测模型 认领 引用 被引量：3
9
作者 柴鸿斌 郑军红 何利力 《计算机时代》 2023年第8期65-68,73,共4页
针对市场中Z企业的快消品存在地区因素影响大、明显的季节性等特点,提出一种更加精准的组合预测模型。首先对Z企业快消品数据进行平稳化操作,其次考虑需求影响因素如周期节假日、地方经济环境(GDP)、准时交货率等,利用SARIMA模型与LSTM... 针对市场中Z企业的快消品存在地区因素影响大、明显的季节性等特点,提出一种更加精准的组合预测模型。首先对Z企业快消品数据进行平稳化操作,其次考虑需求影响因素如周期节假日、地方经济环境(GDP)、准时交货率等,利用SARIMA模型与LSTM优化模型进行组合预测,最后将预测结果融合自注意机制模块进行处理,得到的预测值与实际值进行比较。实验证明,获得的结果在衡量指标中有最佳性能,验证了本文所提方法的有效性。 展开更多
关键词 SARIMA LSTM 自注意力机制 需求预测
暂未订购 下载PDF
基于SARIMA-LSTM的零售生鲜品库存需求预测 认领 引用 被引量：3
10
作者 熊芷瑶 李林 《物流科技》 2022年第3期21-24,28,共4页
针对零售业的生鲜类商品存在易损耗、货架周期短、明显的季节性等特点,提出一种新的组合预测模型。采用SARIMA-LSTM组合模型综合供应商、零售商、用户三方面考虑需求影响因素如准时交货率、综合成本、气温状况、销售金额等,并结合贝叶... 针对零售业的生鲜类商品存在易损耗、货架周期短、明显的季节性等特点,提出一种新的组合预测模型。采用SARIMA-LSTM组合模型综合供应商、零售商、用户三方面考虑需求影响因素如准时交货率、综合成本、气温状况、销售金额等,并结合贝叶斯优化算法对LSTM进行超参数选择,将SARIMA的模型预测值和实际值间的误差序列进行修正并得到预测值。实验证明,考虑需求影响因素的组合预测模型比单一传统统计方法的预测精度要高,并对以后零售业库存管理有一定的建设意义。 展开更多
关键词 SARIMA LSTM 组合预测模型 贝叶斯优化算法 库存需求预测
暂未订购 下载PDF
基于SARIMA-LSTM的区域用电消耗预测研究 认领 引用 被引量：2
11
作者 郭斌 熊显名 《工业控制计算机》 2024年第5期109-111,114,共3页
针对季节性、节假日因素对区域用电消耗的影响,并为更好地管理和规划特定区域的电力供应提供有价值的见解。提出了一种混合模型,结合SARIMA和LSTM来预测区域用电消耗。提出的SARIMA-LSTM模型旨在捕捉电力消耗数据中的时间依赖性和季节... 针对季节性、节假日因素对区域用电消耗的影响,并为更好地管理和规划特定区域的电力供应提供有价值的见解。提出了一种混合模型,结合SARIMA和LSTM来预测区域用电消耗。提出的SARIMA-LSTM模型旨在捕捉电力消耗数据中的时间依赖性和季节性模式。利用历史用电数据,并采用SARIMA来捕捉线性依赖性,同时采用LSTM来捕捉非线性和长期依赖性,将两个方法的结果进行叠加,该混合模型使用特定区域的用电数据进行训练和评估。分别与SARIMA和LSTM单一模型相比,结果表明,SARIMA-LSTM模型在准确预测区域用电消耗方面优于单一的SARIMA和LSTM模型。 展开更多
关键词 SARIMA模型 长短期记忆网络 区域用电消耗
暂未订购 下载PDF
基于DWT-SARIMA-LSTM的流感预测模型研究 认领 引用 被引量：3
12
作者 胡兆辉 陈兆学 《软件工程》 2024年第5期56-61,共6页
为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频... 为提高流感预测模型的准确率,针对流感数据的季节性与波动性特点,提出利用离散小波分解(DWT)、季节性自回归综合移动平均模型(SARIMA)和长短期记忆神经网络(LSTM)综合建模,构建DWT-SARIMA-LSTM混合预测模型。首先,将流感数据分解为高频成分与低频成分,对低频成分使用SARIMA模型、高频成分使用LSTM模型分别进行预测;其次,将预测值融合得到最终的预测结果;最后,构建流行控制图预警模型。使用从中国香港卫生署官网获得的中国香港地区2010—2019年的流感数据对模型进行预测和验证,其MAE为0.3427,MAPE为8.0973%,RMSE为0.4632,预警模型的准确率为100%,该模型较于如ARIMA-LSTM等其他混合模型有更高的预测精度。 展开更多
关键词 流感预测 小波分解 季节性自回归综合移动平均模型 长短期记忆神经网络
暂未订购 下载PDF
Modeling and prediction of monthly precipitation in Nanjing based on machine learning methods 认领 引用 被引量：1
13
作者 PENG Niankui LU Xiaochun +2 位作者 HUA Cheng WANG Zhenqin DU Xin 《水利水电技术（中英文）》 CSCD 北大核心 2026年第5期82-93,共12页
[Objective]Accurate precipitation prediction plays a crucial role in regional flood prevention and mitigation,water resources management,and socioeconomic development.However,the precipitation process is influenced by... [Objective]Accurate precipitation prediction plays a crucial role in regional flood prevention and mitigation,water resources management,and socioeconomic development.However,the precipitation process is influenced by the interaction of multi-scale meteorological factors and shows significant nonlinearity and spatiotemporal heterogeneity.Traditional numerical models fail to effectively capture its complex evolution patterns.[Methods]Based on random forest stacking techniques,six hybrid prediction models were constructed:KNN-LSTM,SARIMA-KNN,SARIMA-Prophet,SARIMA-LSTM,Prophet-LSTM,and Prophet-KNN.Monthly precipitation data from 1990 to 2023 at station 58238 in Nanjing were used for modeling,with data from 1990 to 2020 used as the training set and data from 2021 to 2023 used as the testing set.The regional generalization ability was validated using contemporaneous data from 12 independent meteorological stations in Jiangsu Province.[Results]The result showed that the SARIMA-LSTM hybrid model,which integrated the seasonal decomposition advantage of SARIMA with the long-term dependency capturing ability of LSTM,achieved the highest prediction accuracy on the testing set,with R2=0.904,MAE=16.16 mm,and MSE=477.87 mm2.The regional generalization validation demonstrated that the model achieved R2=0.919,MAE=15.33 mm,and MSE=537.52 mm2 across 13 meteorological stations in Jiangsu Province,indicating good spatial generalization capability.[Conclusion]The constructed hybrid models exhibit excellent predictive performance,providing reliable technical support for precipitation prediction in the lower Yangtze River region.This holds significant application value for the optimization of regional water resource allocation and disaster early warning. 展开更多
关键词 precipitation prediction machine learning hybrid models SARIMA-LSTM regional generalization monthly precipitation random forest stacking influencing factors
暂未订购 下载PDF
基于大数据和时间序列分析的通信网络负载均衡算法研究 认领 引用
14
作者 丁倩雯 周莹 《淮阴师范学院学报（自然科学版）》 CAS 2026年第2期118-124,137,共7页
通信网络负载流量中的异常值会破坏其季节性特征的平稳性,导致流量异常波动,严重影响网络正常运行.因此提出基于大数据和时间序列分析的通信网络负载均衡算法.通过多传感器采集不同时间节点下的通信网络负载流量数据,利用大数据技术进... 通信网络负载流量中的异常值会破坏其季节性特征的平稳性,导致流量异常波动,严重影响网络正常运行.因此提出基于大数据和时间序列分析的通信网络负载均衡算法.通过多传感器采集不同时间节点下的通信网络负载流量数据,利用大数据技术进行负载流量数据融合与滤波;利用季节性差分自回归移动平均模型(Seasonal Auto Regressive Integrated Moving Average,SARIMA)组件捕捉数据的线性与季节性规律,同时结合长短期记忆网络(Long Short-Term Memory,LSTM)挖掘其长期依赖与非线性格局,采用SARIMA-LSTM构建负载预测模型,将预处理后的时间序列数据输入模型,从而实现对负载趋势的精准预测.在此基础上,通过计算网络平均带宽使用率和负载均衡因子,评估通信网络负载状态,为动态调整资源分配提供依据.实验表明:本文算法在极端情况下得到的预测结果和实际结果接近,能够准确地预测出负载的变化趋势;且随着流量负载的持续增加,网络节点的过载次数始终保持在40次以下,能够有效地保持网络节点的稳定运行,确保网络稳定运行. 展开更多
关键词 大数据 时间序列分析 通信网络 负载均衡 SARIMA LSTM
暂未订购 下载PDF
基于四种时间序列模型对西安市食源性疾病发病率预测的应用与比较 认领 引用 被引量：4
15
作者 高凡 张辉 +2 位作者 刘冬 张锋 刘萍 《公共卫生与预防医学》 2025年第3期12-16,共5页
目的 比较四种时间序列模型在西安市食源性疾病发病率中的预测应用,旨在为西安市食源性疾病防控提供科学参考。方法 收集2017年7月至2023年12月西安市食源性疾病月度发病率数据,以2017年7月至2023年6月发病率数据为训练集,分别建立季节... 目的 比较四种时间序列模型在西安市食源性疾病发病率中的预测应用,旨在为西安市食源性疾病防控提供科学参考。方法 收集2017年7月至2023年12月西安市食源性疾病月度发病率数据,以2017年7月至2023年6月发病率数据为训练集,分别建立季节性差分自回归移动平均(seasonal autoregressive integrated moving average,SARIMA)模型、Holt-Winters指数平滑模型、神经网络自回归(neural network autoregressive,NNAR)模型和长短期记忆(long short-term memory,LSTM)神经网络模型。以2023年7~12月食源性疾病发病率作为测试集,采用均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)比较模型拟合预测效果。结果 西安市2017年7月至2023年6月食源性疾病月发病率有明显的季节性特征,每年6~8月为发病高峰。SARIMA、Holt-Winters、NNAR模型、LSTM模型预测的RMSE、MAE和MAPE分别为2.88、2.43、23.71%,2.14、1.77、18.06%,3.26、2.77、26.92%和1.63、1.27、12.17%。预测效果最好的为LSTM模型。结论 LSTM模型预测准确度相对最高,可用于西安市食源性疾病发病率的短期预测。 展开更多
关键词 食源性疾病 SARIMA模型 Holt-Winters模型 NNAR模型 LSTM模型
暂未订购 下载PDF
新冠肺炎疫情下社会消费品零售总额的实证研究 认领 引用 被引量：2
16
作者 朱紫静 陈晓平 《福建师范大学学报（自然科学版）》 CAS 2021年第1期10-17,共8页
基于SARIMA模型和LSTM模型,提出以残差平方和最小为准则的SARIMA-LSTM组合模型,以2005-2020年福建省各月度社会消费品零售总额为研究对象,利用该组合模型预测2019年下半年月度数据,结果显示预测精度明显优于单一预测模型,达到98.53%.福... 基于SARIMA模型和LSTM模型,提出以残差平方和最小为准则的SARIMA-LSTM组合模型,以2005-2020年福建省各月度社会消费品零售总额为研究对象,利用该组合模型预测2019年下半年月度数据,结果显示预测精度明显优于单一预测模型,达到98.53%.福建省社会消费品零售总额第一季度比未受新冠肺炎疫情影响下的预测数据少19.61%,第二季度少6.42%。 展开更多
关键词 新冠肺炎疫情 社会消费品零售总额 SARIMA-LSTM组合模型
暂未订购 下载PDF
新冠疫情期间山西省流行性感冒的预测效果研究 认领 引用 被引量：7
17
作者 赵执扬 翟梦梦 +7 位作者 李国华 高雪峰 王旭春 任浩 崔宇 乔宇超 任家辉 仇丽霞 《现代预防医学》 CAS 北大核心 2023年第4期724-729,768,共6页
目的为解决新型冠状病毒肺炎期间流感异常发病率而导致的流感建模预测困难,本研究建立了季节性自回归求和移动平均(seasonal autoregressive integrated moving average,SARIMA)、长短期记忆神经网络(long-Short Term Memory,LSTM)模型... 目的为解决新型冠状病毒肺炎期间流感异常发病率而导致的流感建模预测困难,本研究建立了季节性自回归求和移动平均(seasonal autoregressive integrated moving average,SARIMA)、长短期记忆神经网络(long-Short Term Memory,LSTM)模型以及基于奇异谱分析(Singular spectrum analysis,SSA)的SSA-LSTM模型,为新冠疫情期间山西省流感的高精度预测提供有效的科学依据。方法收集2014年第14周至2021年第13周山西省流感共7年的周度流感监测数据,利用时间序列分解(Seasonal and Trend decomposition using Loess,STL)分析其季节特征。以2014年第14周至2020年第13周的流感样就诊比(the ratio of influenza-like illness,ILI%)作为训练集分别建立SARIMA、LSTM、SSA-LSTM模型,以2020年第14周至2021年第13周(新冠疫情期间)的ILI%作为测试集,比较三种模型的拟合、预测性能,确定最佳模型。结果受新冠疫情的影响,山西省流感自2020年初变化复杂,ILI%出现了明显的下降。SSA-LSTM的均方误差(Mean Squared Error,MSE)、平均绝对误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Squared Error,RMSE)在拟合、预测结果中均达到了最小。结论SSA-LSTM模型对新冠肺炎疫情期间山西省异常下降的流感发病率进行预测更加精准,为流感有效防控提供一定的参考,也为疫情期间其他传染病异常发病率的预测提供了方法学上的参照。 展开更多
关键词 流感 新型冠状病毒肺炎 SARIMA模型 LSTM模型 SSA-LSTM模型 预测
SARIMA模型和LSTM神经网络在预测深圳市宝安区手足口病疫情中的应用 认领 引用 被引量：11
18
作者 陈春艳 陈亿雄 +2 位作者 赵执扬 李静 李淑珍 《山西医科大学学报》 CAS 2022年第10期1302-1307,共6页
目的探讨季节性差分自回归移动平均模型(seasonal autoregressive integrated moving average model,SARIMA)和长短时记忆神经网络(long short term memory,LSTM)预测深圳市宝安区手足口病发病趋势的可行性。方法选取2009—2018年深圳... 目的探讨季节性差分自回归移动平均模型(seasonal autoregressive integrated moving average model,SARIMA)和长短时记忆神经网络(long short term memory,LSTM)预测深圳市宝安区手足口病发病趋势的可行性。方法选取2009—2018年深圳市宝安区的手足口病月发病率作为训练集分别构建SARIMA模型和LSTM神经网络,预测2019年1—12月的手足口病月发病率,并与真实值比较。结果相对最优模型SARIMA(0,0,2)(0,1,2)12和LSTM神经网络对2010—2018年的深圳市宝安区手足口病月发病率进行拟合,拟合性能中LSTM神经网络的均方误差(mean squared error,MSE)和均方根误差(root mean squared error,RMSE)均高于SARIMA模型,而平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)均低于SARIMA模型,表明两种模型的拟合性能基本一致。使用两种模型预测2019年1—12月手足口病月发病率,SARIMA模型预测性能的MSE、RMSE、MAE、MAPE分别为2310.199,48.065,31.990和1.002,LSTM模型预测性能的MSE、RMSE、MAE、MAPE分别为1078.899,32.847,22.046和0.958,表明LSTM神经网络的预测性能高于SARIMA模型。结论LSTM神经网络能更好地预测深圳市宝安区手足口病发病趋势,可为相关部门制定手足口病防控策略提供依据。 展开更多
关键词 手足口病 SARIMA模型 LSTM神经网络 预测
暂未订购 下载PDF
基于Python的LSTM模型对流感预测的研究 认领 引用 被引量：11
19
作者 翟梦梦 王旭春 +4 位作者 任浩 全帝臣 李美晨 陈利民 仇丽霞 《中国卫生统计》 CSCD 北大核心 2022年第2期162-166,171,共5页
目的 探讨基于keras的LSTM模型和SARIMA模型预测我国北方省份流感样病例数的可行性,为流感防控工作提供合理的预测方法。方法 利用国家流感中心2013-2019年北方省份的周流感监测数据构建LSTM模型和SARIMA模型,并进行预测。采用平均绝对... 目的 探讨基于keras的LSTM模型和SARIMA模型预测我国北方省份流感样病例数的可行性,为流感防控工作提供合理的预测方法。方法 利用国家流感中心2013-2019年北方省份的周流感监测数据构建LSTM模型和SARIMA模型,并进行预测。采用平均绝对误差(MAE)、均方根误差(RMSE)评价两种模型的预测效果。结果 LSTM、SARIMA模型的MAE值分别为304.19、352.74,RMSE值分别为398.71、521.07;相比之下,LSTM模型的预测性能优于SARIMA,较SARIMA模型预测性能分别提高了13.76%、23.5%。结论 基于Keras的LSTM模型的预测效果较好,优于SARIMA模型,可为流感预测提供科学依据。 展开更多
关键词 LSTM模型 SARIMA模型 Python Keras 流感 预测
暂未订购 下载PDF
基于季节性自回归积分滑动平均与深度学习长短期记忆神经网络的降水量预测 认领 引用 被引量：15
20
作者 张丽婷 李鹏飞 +2 位作者 庞文静 惠雯 秦孟晟 《科学技术与工程》 北大核心 2022年第9期3453-3463,共11页
降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采... 降水量数据是一种非线性、非平稳的时序序列,传统的方法较难获取数据的变化规律,深度学习长短期记忆(long short-term memory,LSTM)能较好地处理多要素变量与降水量之间的非线性关系。利用扬州市区1960—2019年8种气象基本要素数据,采用传统季节性自回归积分滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型和深度学习LSTM神经网络方法对降水量数据进行预测比对,并着重分析了LSTM在不同类型不同输入与输出模式形态下的预测水平差异。结果表明:传统的SARIMA模型中静态模式较动态模式能更好地反映出扬州市区月降水量数据变化趋势,且与实际值差距较小。动态模式容易造成误差累积或整体易呈现周期性稳态变化,实时性欠缺。深度学习LSTM多输入单输出动态预测模式下,完整周期的数据输入可以让神经网络更好地学习数据的变化规律。然而将多个周期数据作为一个输入单位,易造成模型过拟合。LSTM模型(预期回顾look_back=12)对扬州市区月降水量预测精度优于传统的SARIMA模型,均方根误差(root mean squared error,RMSE)训练值低0.02。LSTM多输入单输出动态模式(look_back=12)较LSTM多输入多输出静态模式,RMSE测试值低0.33,体现出该模式对扬州市区月降水量预测准确度更高。与此同时,多类LSTM(multi-category LSTM,M-LSTM)多输入多输出静态模式预测准确度优于LSTM多输入多输出静态模式,RMSE测试值低0.19,反映出M-LSTM多输入多输出静态模式的优点。 展开更多
关键词 深度学习 LSTM M-LSTM SARIMA 降水量预测 扬州市区
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈