期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
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3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 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：
间歇性时间序列的可预测性评估及联合预测方法 被引量：8
1
作者 郎祎平 毛文涛 +3 位作者 罗铁军 范黎林 任颖莹 刘侠 《计算机应用》 CSCD 北大核心 2022年第9期2722-2731,共10页
在高端制造企业的运维业务中,配件需求随机发生,且伴随有大量的零需求阶段,同时,对应的配件需求数据量小,且呈现出间歇性和块状分布的特点,导致现有时间序列预测方法难以有效预测配件需求走势。为解决该问题,提出了一种间歇性时间序列... 在高端制造企业的运维业务中,配件需求随机发生,且伴随有大量的零需求阶段,同时,对应的配件需求数据量小,且呈现出间歇性和块状分布的特点,导致现有时间序列预测方法难以有效预测配件需求走势。为解决该问题,提出了一种间歇性时间序列的可预测性评估及联合预测方法。首先,提出了一种新的间歇相似度指标,通过统计两条序列中“0”元素出现的频次和位置,并结合最大信息系数和平均需求间隔等度量指标,有效评估了序列的趋势信息和波动规律,并实现了对间歇性序列可预测性的量化;其次,基于该指标,构建了一个间歇相似度层次聚类方法来自适应地筛选相似性高、可预测性强的序列,剔除极度稀疏、无法预测的序列;此外,探索利用序列间的结构化信息,并构建多输出支持向量回归(M-SVR)模型,从而实现小样本下的间歇性序列联合预测;最后,分别在两个公开数据集(UCI礼品零售数据集和华为电脑配件数据集)和某大型制造企业实际配件售后数据集上进行实验。实验结果表明,相比多个典型的时间序列预测方法,所提方法可有效挖掘各类间歇性序列的可预测性,提高小样本间歇性序列的预测精度,从而为制造企业配件需求预测提供了一种新的解决方案。 展开更多
关键词 需求预测 间歇性时间序列 可预测性评估 时间序列预测 时间序列聚类
在线阅读 下载PDF
基于张量表示的间歇性序列自适应区间预测 被引量：2
2
作者 毛文涛 高祥 +2 位作者 罗铁军 张艳娜 宋钊瑜 《郑州大学学报（工学版）》 CAS 北大核心 2024年第4期79-86,共8页
在实际业务中,配件需求发生随机、需求量波动大,配件序列数据呈现明显的间歇性分布,同时由于人工报单失误或特殊事件等因素的影响,实际配件需求易发生异常变化,导致传统的时间序列预测方法难以捕捉配件需求量的演化规律,预测结果不确定... 在实际业务中,配件需求发生随机、需求量波动大,配件序列数据呈现明显的间歇性分布,同时由于人工报单失误或特殊事件等因素的影响,实际配件需求易发生异常变化,导致传统的时间序列预测方法难以捕捉配件需求量的演化规律,预测结果不确定性高、可靠性不足。为解决上述问题,提出了一种基于张量表示的间歇性序列自适应区间预测方法。首先,利用层次聚类,基于间歇性序列的平均需求间隔和平方变异系数指标筛选相似序列形成序列簇,用于提取簇内公共需求演化信息,增加可预测性;其次,通过张量分解重构原始需求序列,在最大限度保留序列核心信息的前提下平滑序列中的异常值;最后,构建一种自适应预测区间算法,通过动态更新机制得到配件需求量的预测值和预测区间,以确保结果的可靠性。利用某大型轨道交通制造企业实际售后数据进行验证,与现有典型时间序列预测方法相比,所提方法可有效挖掘不同特点间歇性序列的演化趋势,提高小样本间歇性序列的预测精度。实验结果表明:所提方法在间歇性特有指标均方根标准误差(RMSSE)上,相较于需求预测主流的深度学习方法平均降低了0.32,且当预测结果出现失真时,可提供一个可靠的弹性预测区间,为实际应用中企业智能备件计划决策提供了一种新的解决方案。 展开更多
关键词 需求预测 间歇性时间序列 张量分解 配件管理 区间预测 时间序列聚类
在线阅读 下载PDF
集合经验模态分解-主成分分析分解消噪下的支持向量机组合模型预测 被引量：3
3
作者 桑秀丽 肖清泰 +1 位作者 王华 韩继光 《计算机应用》 CSCD 北大核心 2015年第3期766-769,774,共5页
针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺... 针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。 展开更多
关键词 间歇性非平稳时间序列 集合经验模态分解 主成分分析 支持向量机 组合模型预测
在线阅读 下载PDF
已选择0条
导出题录 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 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部