导读:本文包含了短时间预测论文开题报告文献综述及选题提纲参考文献，主要关键词:短时间尺度,相关性,负荷聚类,负荷预测
短时间预测论文文献综述
李永通,陶顺,赵蕾,郭傲[1]（2019）在《基于短时间尺度相关性聚类的负荷预测》一文中研究指出负荷预测是电力系统规划、经济和安全运行以及电力市场交易的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此提出了基于短时间尺度相关性聚类的负荷预测方法。根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;通过对某110 kV变电站10 kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了所提方法的有效性。(本文来源于《电测与仪表》期刊2019年16期）
李媛媛[2]（2018）在《基于相空间重构和SVR的短时间交通流预测方法研究》一文中研究指出交通信息与云计算、物联网等高新技术相结合已成为智慧城市发展的重要举措之一,在提高道路通行能力、解决城市道路拥堵、减少环境污染等方面发挥着举足轻重的作用。交通流预测是其系统中信息处理、智能控制的关键要素之一,也是提高交通服务水平、增强用户体验满意度的重要应用基础之一。由于城市道路中交通流状态的复杂性和时变性,掌握交通流变化规律以及预测任意时刻的交通流状况实属不易,因此对于短时交通流的实时预测颇有研究意义。本文以复杂的城市交通路网为研究背景,应用OpenITS系统提供的开放微波数据,对采集到的交通流量数据进行特征分析,发现每个探测点的数据呈现周期性的特征,之后应用Pearson相关系数去测量各个微波检测设备之间的相关性,为文中根据实测点之间的关联性去预测交通流提供支持。本文在对相空间重构进行研究的基础上,分析了交通流可看作混沌时间序列的必然性。在求解重构相空间的过程中,为适应相空间的重构条件,对最近临算法(K-Nearest Neighbor classification,KNN)中带有标签的样本数据这一条件和判别标准进行修改,从而获取重构相空间的基本参数:延迟时间和嵌入维度。同时,该工作属于基于相空间重构和支持向量回归机(Support Vector Regression,SVR)的短时交通流预测模型的输入模块,为样本数据转化为模型输入提供了整合基础。本文对支持向量机(Support Vector Machine,SVM)进行了研究,应用同SVM原理类似且适用于预测问题的支持向量回归机。因交通流数据的非线性特征,在模型构建时,采用高斯核函数对输入数据进行高维空间的映射。本文模型的构建与求解过程如下:首先,应用相空间重构理论对样本数据进行整合;然后,将重构后的数据输入到SVR模型中构建基于相空间重构和SVR的短时交通流预测模型;之后,进行模型训练,采用较为普遍的十折交叉验证的方法进行参数寻优的工作;最后,应用实测交通流数据对该模型进行试验,并以此做交通流评价指标分析,同时将该模型与神经网络和常规SVR模型进行结果对比分析。经过实验验证,该模型预测性能更好,更能有效地进行短时交通流预测。(本文来源于《北京交通大学》期刊2018-06-01）
伍仕屹[3]（2016）在《短时间序列集的一种预测调和方法》一文中研究指出由于互联网以及大数据产业的高速发展,各行业产生了大量的短时间序列数据。因此,对这些数据进行分析进而预测其未来趋势成为了重要的生产和管理的手段。短时间序列以单个序列的观测数量少为特征,是时间序列分析的一个难点。如果预测对象是短时间序列数据集,就可以利用其总量的预测值去调节各分量的预测值。文章提出了一种时间序列的预测调和方法,并通过此方法去调节ARIMA模型对一个短时间序列数据集的建模预测结果,与ARIMA的预测结果相比,调和后的预测精度得到了提高。(本文来源于《贵州科学》期刊2016年03期）
毛会[4]（2015）在《面向短时间序列的季节性预测模型及其应用研究》一文中研究指出在以需求为导向的管理模式下,准确的需求预测已成为供应链高效运作和提升企业竞争力的关键因素。对于具有季节性特色的快速消费品行业,这一点显得尤为重要。对季节性商品需求预测的准确与否,在很大程度上影响着供需之间的平衡以及社会和谐稳定。然而,由于顾客生活方式的不断变化,商品偏好也经常变换;加上企业研发能力的增强,新产品不断涌现,能用于产品需求预测的数据历史很短。面对这些数据历史如此短、信息量如此匮乏的短时间序列数据,传统的预测模型无法直接应用,只有研究面向短时间序列的预测技术才能解决信息缺乏的难题。已有的短时间序列季节性预测方法包括个体的ISI方法、分组的GSI方法和压缩的SSI方法。GSI方法和SSI方法能在一定程度上改进ISI方法对需求预测的精度,然而,没有研究表明两个方法结合起来能否发挥更大的作用。因而,为了探寻更加准确的季节性需求预测方法,本研究首先就这一结合的可行性进行了详细的理论分析,探索出了两个新颖的需求预测模型JS-GSI和GSI-JS,并将其与已有方法进行了理论比较;然后通过设计一系列的仿真实验,考察了将各模型应用到实际数据中的应用规则;最后通过实际的啤酒销售数据进行实证分析,结果表明新型模型能在很大程度上提高预测精度。具体如下:第一章介绍选题背景及文献综述、研究内容及技术路线、研究方法及研究意义;第二章对预测模型的基础理论展开研究,其中涵盖预测的定义、预测的基本原则及预测方法的分类,详尽介绍了叁种已有的季节性预测方法的理论模型;在此基础上,第叁章推出两个新颖的季节性预测模型,并对各种模型进行了比较,重点分析了影响评价指标MSE的结果的叁个主要因素;第四章设计仿真实验,就叁个主要因素对新模型性能的影响进行分析;第五章,利用武汉某大型啤酒公司的啤酒销售数据进行实证研究,进一步验证了理论研究的结果,同时为啤酒需求预测找到了最佳的预测模型;第六章总结研究成果,归纳创新点,分析研究不足并指出未来研究方向。(本文来源于《武汉轻工大学》期刊2015-06-18）
赵晓东[5]（2014）在《河流藻类叶绿素a浓度短时间尺度预测方法研究和应用》一文中研究指出饮用水源地(地表水)的水体富营养化是影响水源地水质的主要原因。国内外针对水体富营养化研究多针对藻类“水华”进行预测。近年研究表明,藻类“水华”并非藻类生物量的短时爆发,而是藻体上浮和聚集的一种物理迁移过程,且在“水华”发生之前,水体藻类浓度已远超过水质管理标准。可见,与“罕见”的“水华”事件预测相比,短时连续预测对饮用水源地安全管理更具实用性。对此,本文提出了一种短时预测方法,实现对河流的藻类叶绿素a连续预测。其预测原理是：以短期藻类生长相似与基于事例推理(Case-based Reasoning,简称CBR)方法的假设一致性为基础,将按拉格朗日法划分的流体单元作为藻体生长单元,根据CBR方法的四阶段(“4R”)要求构建相似要素,包括：相似因子、相似系数、相似判据、相似误差以及多元相似综合指数。根据相似预测原理,在同期历史数据中寻找与当前藻类生长相似的历史时段,并将该历史时段的延伸部分作为当前预测结果。本文依托于近期历史数据,根据拉朗格日法构建了河流藻类叶绿素a单日12时预测机理模型,采用L-M率定方法确定最优参数组合和率定时段,获得最优参数率定值,将该模型在预测时段内的计算结果作为预测值。本文采用非线性系统混沌分析理论分析了时叶绿素a观测序列,对主要混沌特征量,包括：嵌入维数、时间延迟、关联维数以及最大Lyapunov指数进行了分析。采用C-C方法同时估计嵌入维数和时间延迟,采用G-P算法估计关联维数,采用Rosenstein方法估计最大Lyapunov指数,并根据最大Lypunov指数对时间序列的最大可预测时长进行估计。根据相似预测原理分别对德国易北河5月1日至8月9日期间(2000、2001年)未来24-72小时的时叶绿素a浓度序列进行预测。在通过数据预处理和权重设置提高预测精度的基础上,采用了叶绿素a浓度多阈值分段评价原则,进行了叁日河流营养化等级时变化预测,准确率达85%。国内外目前类似的研究仅采用叶绿素a日均浓度且以单阈值(“水华”预测)作为评判标准,其预测准确率约为83%,预测时长为2.5-3天。通过对比表明该预测模型在营养化等级预估精度及实时性上均具有优势。传统生长机理模型采用的先验参数无法反映藻类在时间和空间上生长异质性的特点,因此,本文采用变量参数建模思想构建了河流藻类生长机理预测模型,并采用易北河2000年5月-8月间的时观测序列进行了单日12时预测验证。验证结果表明,通过选择合理的率定参数组合(率定最优的5参数组合)和率定时段(7天),其预测效果要远好于机理模型在先验参数条件下的预测结果,在高精度预测方面(相对误差小于士10%)甚至优于采用相似原理进行的连续预测结果。该方法为采用机理模型进行河流短期藻类预测提供了一种新的解决方案。河流藻类生长的高度非线性和藻类数据的采样稀疏使藻类实时预测难度增加,其可预测时长问题也鲜有研究报道。本文采用了混沌分析理论对易北河1997-2001年的3-9月的时叶绿素a观测序列进行了分析。分析结果显示河流藻类叶绿素a时间序列具有低维混沌特性,关联维数D=2.75-4.02。采用同样混沌分析方法证实了易北河同时段的径流量序列也具有混沌特征(λ1=0.0125),该结论与国内一些针对河流径流量的研究结果相近。但目前针对河流藻类叶绿素a序列的混沌特性研究尚无相关报道。本文对藻类叶绿素a浓度和径流量的最大预测时间进行了估计,各年的时叶绿素a序列的最长预测时间变化范围为8.01-18.94天,平均为13.98天(约2周),与当前天气预报的最长预报时长相当,而径流量的最长预测时间估计约为80天。气候因素的混沌特性对藻类生长表现出的混沌特征的影响可能要大于径流量等水文因素的影响。该分析结果可为河流藻类浓度可预测能力问题提供新的研究思路。本文的研究成果,对于拓宽预测理论的研究方法,提高藻类预测精度,揭示藻类生长的真实规律,提升饮用水源地水质管理水平具有重要的现实意义。(本文来源于《浙江大学》期刊2014-03-01）
付苗苗,贺吉仓,罗宝伟,张星星[6]（2013）在《基于预测模型下的最短路径与最短时间》一文中研究指出随着社会不断发展,市民的生活质量逐步提高,道路交通也变得尤其重要。本文提出的该模型利用预测将日常生活中交通的运行状况,与在不同外界条件下道路的允许运营状态相结合进行预测,通过对比以及通过灰度值的调整充分缩小与真实值之间的差异,比较权值,分别选出车辆的最短行进路线和最短时间。(本文来源于《长春师范学院学报》期刊2013年10期）
付晓峰[7]（2011）在《城建领域防汛面临“大考”》一文中研究指出随着炎热夏季降临泉城，城市防汛再度成为各界关注的话题。 专家介绍，近年来，受全球气候变化影响，我省极端灾害天气明显增多，气象灾害的复杂性和难以预见性日益突出。2010年以来，不到一年的时间内，旱涝急转，汛期鲁西北地区发生了严重的暴雨洪水灾害(本文来源于《济南日报》期刊2011-06-09）
姜向荣[8]（2009）在《短时间序列预测建模及应用研究》一文中研究指出预测是指人们在观察和分析客观事物发展的历史和现状的基础上,寻找未来事物潜在的发展规律,进而寻求对未来状况的了解。预测的理论和方法可以广泛地应用到自然现象和社会现象的各个领域,从而形成社会预测、政治预测、军事预测、医学预测、灾害预报、生物预测、气象预测、经济预测等。市场经济条件下,经济活动不断变化和发展的,复杂程度也越来越高,具有高度不确定性。为了降低决策的风险,提高管理的科学水平,增强对未来情况的可预见性,经济预测受到广泛的关注。无论是政府的宏观决策还是企业的微观决策都离不开科学的经济预测。法国展望与预测中心学者马塞尔.巴扬指出“在任何时候,我们都要先于竞争对手捕捉到未来技术的发展前景和消费者的要求。同时,要有足够的勇气利用预测的成果做出决策”。预测与决策是管理的两个重要组成部分,管理的关键在于决策,而决策的前提是预测。[’]在商业环境中,管理者需要不断的做出各种决策,很大程度上企业的成功取决于这些决策的正确性。企业只有对产品的市场需求、自身的生产能力等各方面的发展变化进行正确的预测,了解市场供求情况,及时把握市场的发展方向和趋势,才能根据市场需求调整竞争策略、生产规模,在激烈的市场竞争中取得经济效益。在环境日益复杂多变的情况下,如何科学地预测,进而合理地做出决策已成为当今管理人员必须具备的能力。凡事预则立,不预则废,企业管理者只有做到心中有数,才能克服决策的盲目性,更好发挥科学管理的职能。在现代预测方法和计算机技术出现之前,管理者主要的预测工具就是主观判断。然而仅靠主观判断做出的预测远远没有定量预测技术做出的预测准确。信息技术的发展、计算机的普及,以及更多成熟的预测方法的发展,尤其是相关分析软件的激增,使得大量信息数据的储存、收集、处理和分析能力大大提高,从而为利用科学方法和手段进行定量预测提供了基础。作为定量预测的重要组成部分,时间序列分析预测的发展已经有几十年的历史,在国内外学者的共同努力下形成了相对成熟、完善的预测机制。时间序列(Time series)是指随时间顺序出现的一连串观测值序列,此序列实际为有限的观测资料集合。在企业收集的数据资料中,大部份为时间序列,如日每股收益率、每月短信业务量、每月通信收入等。近年来,由于信息业软件及硬件的迅速发展,数据分析在政府与企业管理决策过程中逐渐扮演益加重要的脚色。时间序列分析方法也已被各界所广泛地采用,其主要应用的目的大致包括：[2]1.通过对个别序列前后期相关性的了解来对序列未来观测值作预测。2.同时分析数个相关的序列,以了解序列前后期及同期间的关系。如果这类动态关系存在,将可被用来提高预测准确度,以及对系统中某些变量的调控有助益。3.将序列分解成几个主要成份(如趋势成份、季节变化成份、循环成分、不规则成份),以增进对序列动态行为的了解。4.对理论性模式与数据进行适合度检定,以讨论模式是否能正确地表示所观测的现象,5.对特殊政策或事件的影响加以评估。短时间序列数据,其基本特征是单个序列的观测数量较少,而以上的几种应用均以足够数量的观测点为分析的前提。现有的时间序列处理方法,不管是统计方法,还是数据挖掘方法,对长序列的关注都远远多于短序列,很多情况下,已经获得的大量有用的短时间序列却无法直接应用于已有的时间序列预测模型,或者尽管可以应用,但是预测的效果差强人意。数据挖掘算法尽管一定程度上改善了传统的时间序列分析算法在短时间序列预测的精度,但是对于企业应用来说,计算过程过于复杂,对预测人员和预测工具的要求都很高,导致预测的成本大大增加。基于此,本文致力于建立一个应用性强、预测效果更好的短时间序列预测的模型。该模型的基本原理是：利用时间序列呈现出的季节性和趋势性,分别建立基于给定历史数据季节末总量的季节内部分累积量的条件分布模型和季节末的趋势模型,利用预测周期内的已知的少数观测值来预测周期末总量；最后在总量预测的基础上进一步预测周期内的观测值。该模型最大的特点在于对观测值少的时间序列有很高的预测效率。在理论建模的基础上,本文更强调模型应用性和实证的检验。在实证方面,本文将电信行业的数据应用于该模型,同时将预测结果同ARIMA模型进行比较,实验结果表明,在短时间序列预测方面,本文的模型在预测效率上有很大的改进。此外,该模型不仅可以开发成可操作的界面程序,而且可以在MATLAB、EXCEL中实现,大大提高了可操作性,具有很高的应用价值。(本文来源于《北京邮电大学》期刊2009-05-06）
李明涛[9]（2009）在《快速路短时间尺度地点交通参数多步预测方法研究》一文中研究指出日益严重的交通拥堵已成为世界大中城市面临的共同难题。交通运行管理是及时疏导交通拥堵的重要手段,其有效性与获得的交通流运行状态信息的质量密切相关。获得交通流运行状态信息,不但需要掌握当前的交通状况,而且还需要准确预测未来一定时间内的发展趋势,因此对交通参数进行短时间尺度多步预测是十分必要的。为了满足交通运行管理对交通状态发展趋势进行估计的需要,本文以快速路为对象,对地点交通参数的短时间尺度多步预测方法进行了研究。首先,研究了不同时间尺度交通参数数据的合成方法,并分析了不同时间尺度下地点交通参数数据的特点,为多时间尺度地点交通参数的预测方法研究了奠定基础。其次,对快速路地点交通参数数据的特性进行分析,以星期为周期,指出每日24小时的交通参数数据具有典型的长期趋势性、中期趋势性、短期现势性和随机波动性,为交通参数的多步预测方法研究奠定了基础。然后,针对交通参数数据的不同特性,分别设计了快速路地点交通参数的长期趋势预测方法、中期趋势预测方法和短期现势预测方法。并且,在各预测方法的实证部分,以某城市快速路短时间尺度交通参数数据为基础,对预测方法的有效性进行验证。最后,利用上述叁种预测方法,针对快速路24小时内短时间尺度地点交通参数数据的不同特点,设计了组合预测方法,并以某城市快速路的实测数据为基础进行了验证。(本文来源于《吉林大学》期刊2009-04-01）
侯明善[10]（2006）在《指向预测命中点的最短时间制导》一文中研究指出拦截时间最短为指标函数的最优制导策略要求导弹沿命中点视线方向飞行,但制导指令形成方式并未得到有效解决。根据最短时间制导策略原理,以相对预测命中点的制导误差渐进收敛为条件设计了新的制导算法,解决了非线性拦截系统最短时间拦截制导策略的指令形成问题。针对末制导系统信息来源和拦截系统参数变化特点,提出了简化算法。新的制导算法能够保持最短时间拦截策略的最优性,适合大离轴角发射情况下对高机动目标的拦截。仿真结果表明新制导算法确实具有拦截时间短,脱靶量小的优点。(本文来源于《西北工业大学学报》期刊2006年06期）
短时间预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
交通信息与云计算、物联网等高新技术相结合已成为智慧城市发展的重要举措之一,在提高道路通行能力、解决城市道路拥堵、减少环境污染等方面发挥着举足轻重的作用。交通流预测是其系统中信息处理、智能控制的关键要素之一,也是提高交通服务水平、增强用户体验满意度的重要应用基础之一。由于城市道路中交通流状态的复杂性和时变性,掌握交通流变化规律以及预测任意时刻的交通流状况实属不易,因此对于短时交通流的实时预测颇有研究意义。本文以复杂的城市交通路网为研究背景,应用OpenITS系统提供的开放微波数据,对采集到的交通流量数据进行特征分析,发现每个探测点的数据呈现周期性的特征,之后应用Pearson相关系数去测量各个微波检测设备之间的相关性,为文中根据实测点之间的关联性去预测交通流提供支持。本文在对相空间重构进行研究的基础上,分析了交通流可看作混沌时间序列的必然性。在求解重构相空间的过程中,为适应相空间的重构条件,对最近临算法(K-Nearest Neighbor classification,KNN)中带有标签的样本数据这一条件和判别标准进行修改,从而获取重构相空间的基本参数:延迟时间和嵌入维度。同时,该工作属于基于相空间重构和支持向量回归机(Support Vector Regression,SVR)的短时交通流预测模型的输入模块,为样本数据转化为模型输入提供了整合基础。本文对支持向量机(Support Vector Machine,SVM)进行了研究,应用同SVM原理类似且适用于预测问题的支持向量回归机。因交通流数据的非线性特征,在模型构建时,采用高斯核函数对输入数据进行高维空间的映射。本文模型的构建与求解过程如下:首先,应用相空间重构理论对样本数据进行整合;然后,将重构后的数据输入到SVR模型中构建基于相空间重构和SVR的短时交通流预测模型;之后,进行模型训练,采用较为普遍的十折交叉验证的方法进行参数寻优的工作;最后,应用实测交通流数据对该模型进行试验,并以此做交通流评价指标分析,同时将该模型与神经网络和常规SVR模型进行结果对比分析。经过实验验证,该模型预测性能更好,更能有效地进行短时交通流预测。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短时间预测论文参考文献
[1].李永通,陶顺,赵蕾,郭傲.基于短时间尺度相关性聚类的负荷预测[J].电测与仪表.2019
[2].李媛媛.基于相空间重构和SVR的短时间交通流预测方法研究[D].北京交通大学.2018
[3].伍仕屹.短时间序列集的一种预测调和方法[J].贵州科学.2016
[4].毛会.面向短时间序列的季节性预测模型及其应用研究[D].武汉轻工大学.2015
[5].赵晓东.河流藻类叶绿素a浓度短时间尺度预测方法研究和应用[D].浙江大学.2014
[6].付苗苗,贺吉仓,罗宝伟,张星星.基于预测模型下的最短路径与最短时间[J].长春师范学院学报.2013
[7].付晓峰.城建领域防汛面临“大考”[N].济南日报.2011
[8].姜向荣.短时间序列预测建模及应用研究[D].北京邮电大学.2009
[9].李明涛.快速路短时间尺度地点交通参数多步预测方法研究[D].吉林大学.2009
[10].侯明善.指向预测命中点的最短时间制导[J].西北工业大学学报.2006