简介:用时间序列分析方法做预报,是气象预报中的重要方法之一。气象上观测资料随时间变化大多属非平稳的。所谓非平稳时间序列,表示其统计特征量随时间变化主要有三种表现形式。一种是序列平均值Xt随时间而变,表现为它的一个现实曲线在一条水平线的上下波动大:另一种是序列标准差St随时间变化。这表现为它的一个现实的曲线的波动幅度较大;第三种表现更为复杂,序列均值Xt和标准差St同时随时间而变,这表现为它的一个现实曲线上下波动大,同时波动幅度也大。对于上述三种非平稳序列,至今没有理想的处理办法。本文介绍差分模型方法,能在一定程度上消除均值随时间的变化,而后建立差分自回归模型。效果较好。
简介:摘要目的比较差分整合移动平均自回归模型(ARIMA)和深度学习模型在吸脂操作数据预测分析方面的应用价值。方法选取2019年1至9月中国医学科学院整形外科医院符合入选标准的行吸脂手术患者,使用基于光学追踪系统和力传感技术的吸脂操作记录系统,采集高年资整形外科医生吸脂手术初始250~400 s的操作数据,包括运动学和力学数据。经预处理后将采集数据分成一个吸脂往复循环为一组的数据。分别使用ARIMA模型和深度学习模型处理分析采集到的数据,建立吸脂操作预测模型。用Matlab 2017软件产生随机数随机抽取30对共计60组吸脂循环数据,计算每对数据的动态时间规整(DTW)值作为检验标准,然后分别计算基于ARIMA模型与深度学习模型的各30组预测数据与实际数据之间的DTW值,与检验标准对比,对2种模型的预测结果进行验证。应用Matlab 2017软件进行统计分析,2组比较用独立样本t检验,P<0.05为差异有统计学意义。结果共入组18例患者,均为女性,年龄23~49岁,平均36.6岁。吸脂部位分别为腹部、大腿、腰部。共获得16 800组吸脂循环数据。模型检验标准DTW值为0.048±0.028。ARIMA模型预测数据与实际数据之间的DTW值为0.660±0.577,与检验标准比较差异有统计学意义(P<0.05)。深度学习模型得出的DTW值为0.052±0.030,与检验标准比较差异无统计学意义(P>0.05)。结论相比ARIMA模型,深度学习模型可以更准确地预测吸脂操作数据,能更好地适应不同情况的数据,并且具有更好的实时性。
简介:研究了一类用于时间序列建模的混合自回归滑动平均模型,该模型是由m个ARMA分量经过混合得到的,给出了混合自回归滑动平均模型参数估计的期望极大化(EM)算法,从而得到了混合系数和分量模型的参数,通过仿真说明了其有效性。