基于2002—2025年IRI(International Research Institute for Climate and Society)实时多模式预测资料,构建了一个面向事件的ENSO(El Nino-Southern Oscillation)峰值诊断框架,定量评估预测系统对峰值强度与峰值时间两项关键特征的可...基于2002—2025年IRI(International Research Institute for Climate and Society)实时多模式预测资料,构建了一个面向事件的ENSO(El Nino-Southern Oscillation)峰值诊断框架,定量评估预测系统对峰值强度与峰值时间两项关键特征的可预报性。尽管IRI系统在ENSO时间序列上可维持8~9 mon的较高技巧,但传统统计指标难以反映具体事件在峰值阶段的系统性偏差。结果表明,随着预报时效延长,预测的峰值强度普遍减弱,并呈现出显著的强度依赖特征。中等和强事件往往被低估,但弱事件更容易被高估。在模式差异方面,动力模式在再现中、强事件的峰值振幅上更有优势,但在弱事件中,统计模式的预测反而更接近观测。在峰值时间方面,模式预测普遍存在偏晚现象,并且滞后误差会随着预报时效持续累积。峰值时间偏差还呈现明显的冷暖不对称结构,拉尼娜事件的滞后程度显著强于厄尔尼诺事件。在不同模式类型的比较中,统计模式在拉尼娜事件中的峰值时间偏差远大于动力模式,而在厄尔尼诺事件中两类模式的差异相对较小。总体而言,本研究揭示了现有ENSO预测系统在峰值特征上的偏差结构,并指出动力与统计模式的互补性,为改进多模式集合策略和提升ENSO预测性能提供了科学依据。展开更多
农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一...农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。展开更多
为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coe...为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coefficient,MIC)相结合的特征选择方法来确定预测模型的基本特征;然后,使用线性回归融合、指数融合和主成分分析融合对基本特征进行融合,应用递归MLR预测确定最佳融合方法,进一步对比在最佳融合策略下递归MLR、PSO-SVR、CNN和XGBoost中效果最优的预测方法;最后,将辨识出的融合方法和预测模型方法用于实际热力站调控。结果显示,基于线性回归融合的XGboost预测方法效果最好,可以提升训练精度并减少计算时间,同时可以有效指导调控,节热率达到4%以上。展开更多
文摘基于2002—2025年IRI(International Research Institute for Climate and Society)实时多模式预测资料,构建了一个面向事件的ENSO(El Nino-Southern Oscillation)峰值诊断框架,定量评估预测系统对峰值强度与峰值时间两项关键特征的可预报性。尽管IRI系统在ENSO时间序列上可维持8~9 mon的较高技巧,但传统统计指标难以反映具体事件在峰值阶段的系统性偏差。结果表明,随着预报时效延长,预测的峰值强度普遍减弱,并呈现出显著的强度依赖特征。中等和强事件往往被低估,但弱事件更容易被高估。在模式差异方面,动力模式在再现中、强事件的峰值振幅上更有优势,但在弱事件中,统计模式的预测反而更接近观测。在峰值时间方面,模式预测普遍存在偏晚现象,并且滞后误差会随着预报时效持续累积。峰值时间偏差还呈现明显的冷暖不对称结构,拉尼娜事件的滞后程度显著强于厄尔尼诺事件。在不同模式类型的比较中,统计模式在拉尼娜事件中的峰值时间偏差远大于动力模式,而在厄尔尼诺事件中两类模式的差异相对较小。总体而言,本研究揭示了现有ENSO预测系统在峰值特征上的偏差结构,并指出动力与统计模式的互补性,为改进多模式集合策略和提升ENSO预测性能提供了科学依据。
文摘农机备件是农机维修的重要基础,是农机故障及时维修和农业生产正常开展的必要保障,因此,对农机备件需求量的精准预测至关重要。然而,农机备件的需求量具有非平稳性、非线性、多零值、波动大等特点,使得预测任务变得困难。本文提出了一种基于卷积神经网络的时间序列高效卷积网络(Time series efficient convolution network,TECNet),用于农机备件需求量的预测。该模型首先利用快速傅里叶变换对原始一维序列进行周期性提取,然后根据周期性构建二维时间序列卷积模块进行特征提取,最后将二维特征重塑回一维特征,并通过线性变换得到预测值。利用某农机备件供应商4种不同备件类型的销售数据进行了评估验证,并引入均方根缩放误差作为衡量指标,以统一不同序列间的预测效果。试验结果表明,提出的模型预测效果显著优于其他参考模型,4种不同备件需求量预测的均方根缩放误差分别为0.775、1.349、0.822、0.205,均表现出良好的预测效果。该模型能有效考虑时间序列中的时间依赖关系,具有捕捉时间序列数据中非线性模式的能力,对不同农机备件类型的预测任务均能取得良好的效果,可为预测农机备件需求量提供参考。
文摘为提高热负荷预测的精度,提升基于负荷预测的供热系统调控效果,提出一种基于特征融合的供热系统预测调控方法。首先,采用偏自相关函数(partial autocorrelation function,PACF)、Pearson相关系数和最大信息系数(maximum information coefficient,MIC)相结合的特征选择方法来确定预测模型的基本特征;然后,使用线性回归融合、指数融合和主成分分析融合对基本特征进行融合,应用递归MLR预测确定最佳融合方法,进一步对比在最佳融合策略下递归MLR、PSO-SVR、CNN和XGBoost中效果最优的预测方法;最后,将辨识出的融合方法和预测模型方法用于实际热力站调控。结果显示,基于线性回归融合的XGboost预测方法效果最好,可以提升训练精度并减少计算时间,同时可以有效指导调控,节热率达到4%以上。
