预测离婚的方法

2024-07-12

预测离婚的方法（精选9篇）

预测离婚的方法篇1

我国人口总数大, 增长速度快, 在一定程度上增加了人口预测的难度, 人口的发展可能受到自然因素、文化因素、政治因素、经济因素等多方面的影响, 因此相关工作人员必须综合考虑地域经济状况、人口素质、政治环境, 选择最恰当的预测方式, 确保人口预测的准确性和可靠性。需要注意的是, 人口预测中运用的数学模型较多, 其预测方式表面看似简单, 但在实际运用过程常会出现问题, 影响到人口预测的准确性, 因此, 工作人员应不断更新数学模型, 做好人口预测工作。

一、人口预测的数学模型概述

人口预测是指在某一特定时间段、某一区域中, 调查其现有的人口现状和变化, 总结出其中的发展规律, 并提出影响人口变化的假设条件, 并结合合适的计算方式, 预测出未来人口的发展和变化[1]。区域中真实的人口统计资料是人口预测的基础, 不仅会影响发展规律的总结, 更直接关系着预测结果的可靠性。在实际运用过程中, 常会出现以下三方面的问题:一是简单的推断人口增长, 如规定人口某一时期的增长率, 这相当于将人口与某一准确的数学函数相连, 但人口的变化从来都不会呈现出完全的函数曲线;二是选择模型时, 没有确定的标准, 常采用同一模型去预测不同区域的人口变化, 未将人口发展规律考虑进去; 三是多种结果的相加得出人口预测, 但这种方式忽略了模型之间的差异性, 降低了人口预测的科学性。

二、人口预测数学模型及方法分析

人口预测数学模型及方式主要有Logistic预测模型、双曲预测模型、指数预测模型, 后两种方式在我国运用范围较广, 本文将对三种方式进行逐一讲解, 具体如下所示:

(一) Logistic预测模型。自然因素直接影响着人口变化, 因此, 在预测人口时, 需要加上表示环境约束因素的式子, 即qP (t) 2, 进而得出二阶型Bernoulli齐次方程:

Logistic预测模型与齐次方程相同, 共有三个参数, 使用普通的数学函数回归模型不能很好的拟合数据, 应借助OLS方式, 在运用过程中, 工作人员可以估算人口初始条件中的Pm值, 并将其带入到Logistic预测模型中, 通过调整Pm值, 得出不同的拟合优度, 直至其接近人口变化的最大值。

(二) 双曲预测模型。Logistic预测模型在理论中特别符合某一区域的人口变化, 但在实际中该模型的拟合精度仍不能满足人口预测, 即标准误差无法通过检验, 针对这种问题, 双曲预测模型诞生, 该模型在1968年由Keyfitz提出, 其表达形式[3]如下所示:

(三) 指数预测模型。指数预测模型可以运用在最简单的人口预测中, 即:假设某区域第t0年为0年, 且人口为P (0) , 其中人口的自然增长率为r, 所以按照指数预测模型, 可以得出以下人口总数:

在将该式经过指数数学变化, 将其通用项转化为指数形式, 即:

该种模型称之为Malthus人口增长模型。假定该模型的变量连续, 可以求出其齐次方程:

指数预测模式通过最小二乘法对人口变化进行线性回归的预测, 并借助SPSS、Excel等统计分析软件, 能够很好的得出人口变化的拟合效果。

三、人口预测数学模型的内在联系

人口预测数学模型对人口变化进行预测时, 选择不同的模型, 会得出不一样的预测数据, 该三种数学模型间存在一定的内在联系, 其中指数预测模型、双曲预测模型都是Logistic预测模型的特例, 但Logistic预测模型无法替代两种模型。为提高人口预测的合理性和可靠性, 除了选择科学的数学模型和预测方式外, 还应开展全方面的时间序列分析, 工作人员必须加大人口预测模型和方式的重视程度, 不断探究新型数学模型, 为地区发展奠定坚实基础。

四、结语

综上所述, 人口预测工作是一项复杂而系统的工程, 但做出短期准确预测是完成有可能的, 且其预测结果有利于区域调整经济发展模式, 促进区域可持续发展。在实际运行过程中, 应科学的选择预测数学模型, 准确把握Logistic预测模型、双曲预测模型、指数预测模型之间的区别和联系, 借助现代化科学技术, 对人口增长做出准确的预测。

参考文献

[1]何颖芳.科学共同体语境下图书馆学与经典学科的对话融合之思考——以物理学为参照对象[J].图书情报工作, 2015, v.59, No.54124:27-32.

[2]陈洁, 吴琳.国内旅游公共服务研究的文献计量和知识图谱分析——基于CNKI数据的分析[J].旅游论坛, 2015, v.8, No.4606:66-72.

[3]王启梁, 李娜.区域性法治评价的初步尝试——2009年“法治昆明综合评价指标体系”是如何形成的[J].云南大学学报 (法学版) , 2015, v.28, No.14306:2-12.

预测离婚的方法篇2

细致的调解工作，实践证明是解决婚姻家庭问题的药剂良方。法院对离婚案件的审理本身也是把握婚姻关系是否有必要解体的一道屏障，必须严格把关。在审理过程中，充分运用调解这一工作手段，多讲究工作方法和工作艺术，以耐心细致的工作尽力挽救濒于破裂的家庭，禁止工作简单化，努力使不正常的家庭走上家庭良性运转的轨道是每个民事审判工作者肩头的重任，笔者认为，在做调解和好工作时，从工作的有效性角度着手，应引导当事人对以下几个方面的问题有所认识和老虑：

一、引导当事人正确认识诉权

诉权是公民在诉讼上享有的基本权利，《婚姻法》规定了结婚自由和离婚自由，因此，提起诉讼是法律赋予当事人的一项权利，但当事人必须谨慎地行使这项权利，也就是说当事人起诉离婚，并不意味着婚姻如何解除的问题，而只是通过当事人提起诉讼，可以反映出这个家庭是有问题的，是有矛盾的，而当事人所反映出来的问题就是他们和好的障碍，有问题就要解决，然而如何解决，是否一定要通过家庭解体即离婚才能解决，亦即离婚是否是解决家庭问题的唯一有效方式，需要当事人慎重老虑，因为解决家庭问题的方式方法是多种多样的，不同的解决方式会出现不同的效果，正确的解决方式应该是：双方先冷静下来，把双方存在的矛盾和问题摆出来，看存在哪些问题，剖析一下这些问题存在的原因，是谁身上存在的问题：引导当事人在这些问题上去正确地认识和对待：多反省反省自己，多剖析一下自己，多做些批评和自我批评，做到有则改之无则加勉，以后要多注重加强夫妻之间的沟通和交流，夫妻间的矛盾就有缓解和消除的可能。引导当事人认识一个和睦、稳定的家庭须建立在相互理解、相互信任、相互支持、相互帮助等的基础之上，这些基础一个缺失就会动摇家庭的稳固。因此，哪个环节出现了问题，当事人就应该在哪个环节上多做努力，以妥善消化矛盾，如果遇到问题不是积极地去面对存在的问题，一出现矛盾就上升到离婚，是一个极端的做法，不利于问题的有效解决。

二、引导当事人正确认识离婚可能面临的问题

离婚是一个十分严肃的家庭问题，容不得半点草率，如当事人坚持离婚，应引导当事人对下述三个问题是否确已做了慎重的老虎。

1、当事人自身应老虑的问题

就当事人自身而言，如双方选择了离婚，离弃后不排除双方以后再重新组建家庭的可能，有的当事人可能会说离婚后自己单独去生活，其实这是回避生活中矛盾的想法。生活中独身家庭有矛盾是回避不了的。从科学的角度讲，有配偶的人较独身者长寿，因为有个生活伴侣，生活中也就有了感情交流和宣泄的对象，不会受寂寞和孤独困扰，因此更多的人会选择重组建家庭。然而离异后再选择，已是通常所说的“二婚”，有过一次婚变即有了“二婚”这个名份，有重新选择时，其选择面较初婚者而言应是窄了许多，因此可能会有许多的困难。同时，通过大量离婚案件的审理，我们发现一个基本的规律性问题：婚姻的稳定程度是随着原婚、二婚、三婚等依次递减的，而矛盾是递增的，解决问题的难度也是越来越大的，也就是说，相比较而言，原婚家庭里出现的问题是最容易消化的，如果原婚里的问题当事人不愿去面对和解决，很难想象以后如遇到比原婚里问题多的多的问题，解决难度更大的问题，当事人会有加倍的勇气去面对和解决吗？因此，如果新组建的家庭再发生问题怎么办？而有的当事人就由于缺乏慎重，缺乏解决问题的有效方式，以致在婚姻问题上步入了离了再结，结了再离的恶性循环之中。

2、关于子女问题也是需要当事人摆在重要位置上考虑的问题

预测离婚的方法篇3

研究用水预测方法、合理预测未来水资源需求, 对实现水资源优化配置, 促进我国经济社会长期、稳定、快速发展具有重要指导意义[1]。用水预测有多种方法和模型[2], 如根据对数据处理方式的不同, 可以分为时间序列法、结构分析法、系统方法等[3], 在时间序列法中又有灰色预测模型[4]、自回归模型、组合模型[5]等。在如此众多的方法和模型中选择一个合适的模型, 是用水预测研究的一个重要问题。对于用水预测模型的选择, 目前的方法主要是以模型对历史数据的拟合精度为依据。如汤成友等[6]利用金沙江屏山站1950年～2005年的资料, 用前46年的资料率定模型, 用后10年的资料检验模型。但是选取合适的预测模型是为了使预测值与实际值的误差最小, 而不是模型与现有数据的拟合精度最高。据此, 现提出以预测误差最小为标准, 即以一定的置信度, 根据预测值置信区间大小来选择预测模型的方法。利用山西省运城市工业用水量资料对此方法进行了分析研究与合理性检验。

1 方法与材料

1.1 拟定待选模型

拟定待选模型为幂函数、直线、指数、逻辑斯蒂函数 (S函数) 、二次抛物线和三次抛物线模型等, 其数学表示式分别为y=axb、y=a+bx、y=aebx、y=c/ (1+aebx) 、y=a2x2+a1x+a0和y=a3x3+a2x2+a1x+a0。式中, y为用水量, 亿m3, x为时间, a; a、b、c、a0、a1、a2、a3为模型参数。

1.2 模型参数估计与检验

1.2.1 参数估计

采用多元线性回归分析方法建立数学模型, 多元线性函数的数学模型为

y=β0+β1x1+…+βkxk+ε (1)

式 (1) 中, β0, β1, β2, …, βk为k+1个未知参数, ε是随机变量。

通过n次观察, 可得到n组观察值, 用矩阵表示为Y=Xβ+ε, 式中

$\begin{array}{l} Y = [y_{1}, y_{2}, \dots, y_{n}]^{Τ} ‚ \\ X = [\begin{matrix} 1 & x_{11} & x_{12} & \dots & x_{1 k} \\ 1 & x_{21} & x_{22} & \dots & x_{2 k} \\ ⋮ & ⋮ & ⋮ & ⋱ & ⋮ \\ 1 & x_{n 1} & x_{n 2} & \dots & x_{n k} \end{matrix}] ‚ \\ β = [β_{0}, β_{1}, \dots β_{k}]^{Τ} ‚ ε = [ε_{1}, ε_{2}, \dots, ε_{n}]^{Τ} 。 \end{array}$

用最小二乘法求β0, …, βk的估计量 $\hat{β}_{0}, \dots, \hat{β}_{k} ‚ \hat{β} = (X^{Τ} X)^{- 1} (X^{Τ} Y) ‚ \hat{β}_{0}, \dots, \hat{β}_{k}$ 称为经验回归系数。

1.2.2 参数检验

常用的检验方法有F检验法、t检验法、r检验法, 这里采用F检验法。

$F = \frac{\frac{U}{k}}{\frac{Q_{e}}{(n - k - 1)}}$ (2)

式 (2) 中 $U = \sum_{i = 1}^{n} (y_{i} - \bar{y})^{2}$ , 称为回归平方和, $Q_{e} = \sum_{i = 1}^{n} (y_{i} - \hat{y}_{i})^{2}$ , 称为剩余平方和。yi为实测值, $\hat{y}$ i为预测值, $\hat{y}_{i} = \hat{β}_{0} + \hat{β}_{1} x_{i 1} + \hat{β}_{2} x_{i 2} + \dots + \hat{β}_{k} x_{i k} ‚ i = 1, 2, \dots, n$ 。F值反映了拟合精度的高低, F值越大, 表示拟合精度越高。

当显著水平α给定后, 如果 $F > F_{1 - α} (k, n - k - 1)$ , 则认为y与x1, …xk之间显著地有线性关系;否则就认为y与x1, …xk之间线性关系不显著。

1.3 预测值置信区间的计算

模型预测值的置信区间在一定程度上表示了模型预测精度, 置信区间越小表示模型的预测精度越高。在置信水平为α条件下, 模型预测值 $\hat{y}$ 的置信区间为 $(\hat{y} - Κ, \hat{y} + Κ)$ , 其中[7],

$Κ = \hat{σ}_{e} t_{1 - \frac{α}{2}} (n - k - 1) \sqrt{1 + G C G^{Τ}}$ (3)

式 (3) 中, $\hat{σ}_{e} = \sqrt{\frac{Q_{e}}{n - k - 1}}$ , 称为剩余标准差; $t_{1 - \frac{α}{2}} (n - k - 1)$ 为置信度为1-α条件下的t分布值, 可查表求得; $G = [1, x_{1}, \dots, x_{k}]$ 为预测点, 系已知值; $C = (X^{Τ} X)^{- 1}$ 。

1.4 预测精度的评价

以预测值的相对误差作为预测精度, 按照式 (4) 计算。若MAPE≤15% , 认为预测是成功的, 若MAPE≤10%, 认为是高精度的预测[8]。

$Μ A Ρ E = \frac{1}{n} \sum_{i = 1}^{n} \frac{| y_{i} - \hat{y}_{i} |}{y_{i}} \times 100$ (4)

式中 MAPE为平均相对误差, %;其余符号意义同前。

1.5 资料

山西省运城市是一个水资源极为短缺的地区, 水资源短缺已成为制约该地区经济建设和工业发展的重要因素。为了实现该地区水资源的可持续利用, 以及经济社会的可持续发展, 现利用1985年～2007年用水系列资料, 对两种模型选择方法进行了分析与比较, 并对5年和10年两个预测期的工业用水量进行了预测分析。

2 两种模型选择方法的比较

2.1 以拟合精度为标准选取模型

剩余标准差、复相关系数R和F值表示了模型拟合精度的大小, 剩余标准差越小 (复相关系数越大) 表明拟合精度越高。由表1可见, 三次抛物线的拟合精度最高, 次之为幂函数, 以指数函数拟合精度最低, 相应的复相关系数分别为0.963 9、0.923 3和0.838 2。因此, 以拟合精度为标准选取的模型应为三次抛物线。

2.2 以预测精度为标准选取模型

直线模型可采用一元线性回归分析确定模型参数, 即令式 (1) 中k=1, 利用上述方法求得参数的估计值;幂函数、指数函数、二次抛物线及三次抛物线模型通过变量代换可化为直线模型, 然后按照上述方法求取参数;S函数须采用非线性拟合方法求其参数。并相应地求得各模型剩余标准差 $\hat{σ}$ e、复相关系数R和F值, 以及置信度1-α=0.95时两种预测期 (5年和10年) 的置信区间K值, 结果见表1。由表1可见所选择的模型均达到了极显著水平, 均可用于运城市工业用水量的预测, 但是各个模型预测结果的精度 (K值) 是不相同的, 因此, 合理地选择预测模型, 可以提高预测精度。

**表示F检验达到极显著水平 (F>F0.01) 。

由表1可见, 幂函数的预测精度最高 (K值最小) , 次之为直线, 再次为S函数, 以三次抛物线的预测精度最低。相应5年预测期的K值分别为0.256 0亿m3、0.264 7亿m3、0.265 2亿m3、0.488 7亿m3, 10年预测期的K值分别为0.277 0亿m3、0.282 8亿m3、0.287 0亿m3、1.183 0亿m3。由此可见, 应选择幂函数作为山西运城市工业用水量预测模型。

2.3 模型选择方法的合理性检验

统计理论要求预测点 (G) 必须在观测值 (X) 范围内[9]。用水预测是对未来某年的用水量做预测, 其预测点必然在观测值范围之外, 因而利用K值选择模型的方法须加以检验。参照“未知数据法”的检验方法[5], 选取早期数据作为建模数据, 选取最新的数据作为“未知数据”, 由此建立模型、做预测, 将预测值与“未知数据”做比较, 求预测误差。若各模型的预测误差变化顺序与相应的K值变化顺序一致, 表明以K值最小选择用水预测模型的方法是合理的。

这里仍采用运城市工业用水量系列资料, 求取5年和10年两个预测期的预测误差, 为了消除偶然性, 对于每种预测期连续求出5年的预测误差及其平均值 (MAPE) 。该平均值越小, 表明模型的预测精度越高。现以5年预测期为例说明其计算过程。

首先选取1985年～2002年系列资料建立模型, 可求得上述六种模型的参数, 相应地可求出2007年用水量预测值和预测误差, 如幂函数模型, 其预测值为 $\hat{y} = a x^{b} = 0.549 8 \times 23^{0.363 2} = 1.7171$ , 预测误差的绝对值为 $| y - \hat{y} | = | 2.0161 - 1.717 1 | = 0.299 0$ , 相对误差为0.299 0/2.016 1×100=14.83%。同理, 选取1985年～2001年系列资料, 建立模型, 可求得2006年用水量预测值和预测误差, 以此类推, 可求得2005年、2004年和2003年用水量预测值和预测误差, 由此求得5年预测误差的平均值, 见表2。

由表2可见, 模型预测误差绝对值的平均值和相对误差平均值 (MAPE) 依模型顺序变化是完全一致的, 均以幂函数最小, 直线次之, 再次为S函数, 以三次抛物线最大, 分别为0.134 6亿m3、0.162 5亿m3、0.307 6亿m3和0.542 7亿m3, 相应的MAPE为6.9%、9.3%、16.4%和29.6%。与表1中置信区间K值变化顺序基本一致。由此说明, 以K值最小为标准选择用水预测模型的方法是合理的。

对10年预测期也进行了同样的分析, 也以幂函数模型预测误差最小, 次之为S函数, 再次为直线, 其预测误差绝对值的平均值分别为0.109 0亿m3、0.297 9亿m3和0.419 1亿m3, 相应的MAPE为5.6%、15.8%和23.9%。预测误差最大为三次抛物线, 其预测误差绝对值的平均值为3.276 1亿m3, 相应的MAPE为183.5%, 且出现了预测值为负值的不合理情况。这一结果表明, 幂函数用于中长期预测是较为合理的, 次之为直线或S函数, 与以K值最小为标准选择的预测模型基本一致。

由上述比较可知, 拟合精度的高低与预测精度的高低是不一致的, 预测的目的是希望预测值与实际值的差异最小, 而不是模型与现有数据的拟合精度最高。因此, 相对于用拟合精度高低来选取模型, 以预测误差最小选取模型更为合理。据此, 对于山西省运城市工业用水量的预测模型应选取幂函数, 而不是以拟合精度最高为标准选择三次抛物线。

3 运城市工业用水量的预测及其预测精度

根据上述分析, 应选用幂函数作为运城市工业用水量的预测模型, 相应的模型参数为a=0.531 1, b=0.386 8, R=0.974 8。该模型符合国内外工业用水量变化趋势[10], 随时间的增加, 用水量增加幅度在减小。由此求得预测期为5年和10年的预测值分别是1.927 3亿m3和2.053 8亿m3, 相应的置信区间K值 (置信度为95%) 分别为0.256 0亿m3和0.277 0亿m3。若以置信区间K值与相应预测值的比值作为相对误差, 可得出两个预测期的相对误差分别为13.3%和13.5%, 均小于15%, 预测是成功的。

4 结论

(1) 以预测值的置信区间最小为依据选取预测模型, 要好于以拟合误差最小选取预测模型的常规方法。该方法具有较严密的理论基础, 据此选出的预测模型与用实测值分析结果一致;

(2) 对于运城市工业用水量预测以幂函数最好, 其预测期为5年和10年的预测值相对误差较为接近, 均不超过15%。

参考文献

[1]王海锋, 贺骥, 庞靖鹏.需水预测方法及存在问题研究.水利发展研究, 2009; (3) :19—22, 24

[2]李红艳, 崔建国, 张星全.城市用水量预测模型的优选研究.中国给水排水, 2004;20 (2) :41—43

[3]张雅君, 刘全胜.需水量预测方法的评析与择优.中国给水排水, 2001;17 (7) :27—29

[4]舒诗湖, 向高, 何文杰.灰色模型在城市中长期用水量预测中的应用.哈尔滨工业大学学报, 2009;41 (2) :85—87

[5]王自勇, 王圃.组合模型在城市用水量预测中的应用.中国给水排水, 2008;24 (12) :37—39

[6]汤成友, 官学文, 张世明.现代中长期水文预报方法及其应用.北京:中国水利水电出版社, 2008

[7]赵静, 但琦.数学建模与数学实验.北京:高等教育出版社, 2008

[8]郑爽英.城市供水量的预测模型研究.成都科技大学学报, 1995; (6) :19—26

[9]袁志发, 宋世德.多元统计分析.北京:科学出版社, 2009

离婚时养老保险金分割方法篇4

1、已实际取得的养老保险金。

由于这个具体数额已经确定，具有分割的可操作性。

2、应当取得的养老保险金。

最高人民法院在婚姻法解释(二)中，未对应当取得的含义和范围作出明确界定。我们认为，应当取得是指当事人已具有享受养老保险金的基本条件，但由于某种原因尚未将养老保险金领取到手或发放到自己的个人工资账户中。

如果离婚前一方或双方在婚姻关系存续期间已参加了养老保险，但离婚时一方或双方尚未退休，所以将来到底能取得多少养老金就离婚时现有条件尚无法进行预先测算。

但不能因为这种情形缺乏可操作性就不对其作出处理。同时，在衡平这种不可预测的养老保险金时，不能简单打乱正常的社会保险金秩序将其一分为二，而是应当把它放到离婚双方所有夫妻共同财产中进行整体衡量，以不破坏个人养老保险金账户专属性为原则。

二、养老保险金未到期离婚怎么分?

离婚时夫妻一方尚未退休、不符合领取养老保险金条件，另一方请求按照夫妻共同财产分割养老保险金的，人民法院不予支持;婚后以夫妻共同财产缴付养老保险费，离婚时一方主张将养老保险金账户中婚姻关系存续期间个人实际缴付部分作为夫妻共同财产分割的，人民法院应予支持。婚姻存续期间，男女双方实际取得或者应当取得的养老保险金，属于夫妻双方共同财产。

然而，如果还没有达到退休年龄或者不符合领取养老保险金的条件，离婚时，一方主张将对方还没有取得或者根本就无法取得的养老保险金，作为“应得”的夫妻共有财产进行分配，是不公平的，甚至会削弱国家对公民基本的社会福利保障。

离婚时夫妻一方尚未退休、不符合领取养老保险金条件，另一方请求按照夫妻共同财产分割养老保险金的，人民法院不予支持;婚后以夫妻共同财产缴付养老保险费，离婚时一方主张将养老保险金账户中婚姻关系存续期间个人实际缴付部分作为夫妻共同财产分割的，人民法院应予支持。

养老保险金在离婚诉讼中应如何分割?

养老保险金在离婚诉讼中应如何分割?法律上是如何规定的?小编提醒您，法院判决一般以夫妻关系确立之月起至判决之月止养老保险金账户金额为准，由男女双方平均分割。

福彩3D准确的预测方法篇5

多家专业博彩机构内部专家使用的3D独胆、组选、直选开奖结果预测表 (纯傻瓜式) , 彩民根据当日开奖结果直接对照表中下期开出数据即可准确得出次日开奖结果, 时间仅需几分钟, 适用准确率极高。比如看上期开奖号的个位数是几, 到表中查找, 就知道本期的胆码, 就这么简单, 人人都会用! 例如:2015.207 期开奖号635, 5 对应2.5;再从开奖号中找出最小数3, 3 对应5.3; (过滤重复数) , 下期208期开奖结果253, 中直选! 以上对应数据是彩研所根据3D数千余期开奖结果数据历经一年之余反复统计、比对、运用软件分析各项指标得出的结果。如果您拥有机构内部傻瓜式数据对照表, 就会轻轻松松经常中大奖, 再也不用为天天买就是不中奖而发愁! 是普通彩民难得的中奖利器。购买198 元/套, 一律采用快递发货, 货到付款! (即日起订购还赠送3D机构内部选号金法则, 只送不卖! )

北京市学院路创新大厦C- 06

联系人:陈老师技术服务电话:15611791499

基于增量的预测预报方法篇6

过去、现在和未来是事物发展的普遍规律,若我们通过大量的历史和当前资料可提前知道未来,及时提出解决问题的方案,避免不必要的损失。

预测预报在我们的宏观决策、工作、生活中有着极其重要的作用,如大家熟悉国家宏观经济预测,就是根据历史环境和当前形势,预测未来一年甚至几年国家宏观经济的发展速度;天气预报、台风预测预报为我们的出行、农业、防洪等提供重要的科学依据;股票走势预测分析是每个股民进行投资理财的重要依据;同样,预测预报在银行、保险、电信等行业也有大量的应用,包括如何留住老客户,发展高端顾客,制定什么险种等。因此,无论对国家、政府、企业、个人而言,预测预报都发挥着重要作用,与我们的工作、生活息息相关。

二、预测预报的基本原理

预测预报就是通过对过去、现在的大量数据进行分析、统计和挖掘,预测未来的发展趋势;预测预报的基本原理就是收集整理一个长系列、完整的数据,并应用适当的数据预测模型,从而得知其未来一段时间的发展规律。预测预报的步骤一般分为:首先对历史、当前数据进行收集、抽取、清洗、转换和补缺等工作;然后选取适当的预测模型进行训练,从而得到合理的参数;应用该模型不断地检验和修正,若该模型不能得到理想的结果,则需要重新选择模型,再进行训练、检验和修正,直至找到误差满足使用要求的模型为止;最后利用该模型和参数进行预测预报。下面以水文预报为例,讲述两种预报方法并进行对比,说明在特定环境下,基于增量的预测预报方法的重要性。

水文预报是水文学为经济社会服务的重要方面,其中一种方法以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的过程驱动模型方法以及基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法,即数据驱动模型方法。

三、直接预测预报方法

直接预测预报方法就是直接将结果作为因变量的预测预报方法。如要预测预报平望站次日水位,从地图和水流方向分析,将与平望站相关及相近站点的水位、降雨和潮位数据作为自变量,同时也考虑到历史数据的完整性和可用性,经相关因子和相关系数分析得出平望站次日的水位与平望、陈墓、太浦闸下、嘉兴当日的水位,陈墓、瓜泾口、嘉善、□直、南浔、平望、商榻、王江泾当日的降雨以及米市渡当日的平均潮位关系比较密切。因此,选定这些站点的水位、降雨、潮位的历史及当日数据作为输入,如表1:

利用带自回归误差的回归分析模型进行预测预报,平望站水位预测误差范围统计表如表2所示,从表中可以看出,水位预报误差在0.03米以内的准确率可达88%以上;再从水位峰值处的误差进行比较,除了几个数据误差比较大外,大部分误差控制在0.03米以内,如表3所示。所以此预测预报方法在实际中可以使用。结合预测结果和实际值可以画出预测值与实际值的对比曲线,如图1所示:

四、基于增量的预测预报方法

尽管这种直接预测预报方法准确率较高,但并不是所有情况都能适用,例如在太湖浙西地区,除流入太湖的三个水文站(长兴、航长桥、杨家埠站点)外,其余的都是其上游地区的雨量站,而这三个水文站都是直接入湖,彼此之间不存在上下游关系。然而,浙西地区下了雨,若能及时掌握流入太湖的流量,对防洪调度极其重要。图2是太湖浙西地区部分流量站和雨量站分布示意图。

从图2中可以看出,若要预测预报长兴站次日的流量,只有长兴站当日、历史流量数据,以及其上游所有雨量站的当日、历史的降雨数据。若也利用上述相关因子、相关系数分析方法,找到与长兴站流量关系较密切的站点及相关因素,如表4:

通过利用带自回归误差的回归分析模型进行预测预报,其预测预报结果与实测数据误差很大。再使用线性回归模型、神经网络模型来直接预报,其结果在峰值处误差还是很大,如图3所示:

这样的结果在实际工作中是不能采纳的。我们再分析一下,预报长兴站次日流量的自变量有一个明显的特征,只有长兴站自身的流量和一些站点的雨量,而没有其他站点的流量,也就是说,仅靠这些自变量很难直接预报长兴站的流量数据。在当前没有其他更多数据可用的情况下,通过这些自变量可能对长兴站流量产生何种影响的分析,其实降雨最可能引起长兴站流量差的变化,即若相关站点最近降雨多,那么长兴站流量增加就多,反之则增加少。

带着这种思路,将长兴站当日的流量减去前一天的流量所得的差作为因变量,重新构建神经网络模型,如表5:

(流量增量为add,cx_q_24为次日流量,cx_q为当日流量,其余为雨量)

当天的数据减去前一天数据的差称为增量。基于增量方法就是将增量作为因变量,先对增量进行预测,将预测的结果加上前一天的数据就得到我们所要求的数据。通过神经网络模型先预报长兴站次日流量比当日流量的增量,然后将增量加上该站当日的流量,就是次日的流量。利用基于增量的预测预报方法,其预报准确率相当好,如表6所示,其预测结果和实测结果对比图如图4所示。

五、结论

一般而言,预测预报都是对要预测的结果作为因变量,将预报模型直接使用,将其相关站点的相关因素作为其输入自变量,整体而言,在数据比较齐全、完整、系列足够长的情况下,这种方法可能取得比较理想的预报结果。但当因变量(如长兴站次日流量)没有其他站点相同因素(流量)作为输入,而只有其他站点的其他相关因素(如降雨量)作为自变量时,利用基于增量的预测预报方法将能取得良好的期望。从表6和图4可以看出,基于增量的预测预报方法在这些特定环境下具有极其重要的作用,对提高预测预报精度起着决定性的影响。

参考文献

[1]北京金水信息技术发展有限公司,水资源管理系统需求分析报告[R].2007.12.

[2]孙洪林,张奕滔,余达征.利用数据仓库和数据挖掘技术进行水位预测分析[J].水文.2008水利信息化专辑,第28卷,增刊.

[3]王文,马骏.若干水文预报方法综述[J].水利水电科技进展, 2005.25(1).

福彩3D最准确的预测方法篇7

多家专业博彩机构内部专家使用的3D独胆、组选、直选开奖结果预测表 (纯傻瓜式) , 任何彩民根据当日开奖结果直接对照表中下期开出数据即可准确得出次日开奖结果, 时间仅需1 分钟, 适用准确率90%以上。比如看上期开奖号的个位数是几, 到表中查找, 就知道本期的胆码, 就这么简单, 人人都会用!例如:2015.207 期开奖号635, 5 对应2.5;再从开奖号中找出最小数3, 3 对应5.3; (过滤重复数) , 下期208 期开奖结果253, 中直选!以上对应数据是彩研所根据3D数千余期开奖结果数据历经一年之余反复统计、比对、运用软件分析各项指标得出的结果。如果您拥有机构内部傻瓜式数据对照表, 就会轻轻松松经常中大奖, 再也不用为天天买就是不中奖而发愁!是普通彩民难得的中奖利器。购买198 元/ 套, 一律采用快递发货, 货到付款!陕西西安彩民李世武上月购买后按表中数据对照轻松月入6800 余元, 打来电话连声感谢!忠告广大彩民:千万别贪图便宜从资料贩子手中购买, 那是得不到核心技术的!到时后悔已晚。 (即日起订购还赠送3D机构内部选号金法则, 只送不卖!)

北京市北大之星彩票技术研究工作室 (学院路创新大厦C-06)

联系人:赵永华老师技术服务电话:17070194902

疏散时间预测方法的对比研究篇8

关键词：疏散时间,日本经验公式法,Building EXODUS,EVACNET,模型计算

近几年来随着性能化防火设计的发展, 以计算机模拟为主要手段的性能化疏散设计得到广泛应用。目前已开发的多种疏散模型具有不同的理论基础、假设条件、输入输出参数, 每个疏散模型也分别从不同角度模拟人员在建筑物内的疏散行为, 其性能、效果及适用范围各不相同。因此, 对疏散模型软件进行对比研究有其重大意义。

在当前对疏散软件的对比研究主要为:细网格模型之间的对比研究, Simulex与EXIT89的对比研究, 网络模型与真实试验的对比研究, 如:EVACNET4软件与真实试验的对比研究。但在众多对比研究中对各种疏散软件的全面对比较少。因此, 各种疏散软件、方法的对比研究成为当务之急。笔者分别使用了日本经验公式、网络模型EVACNET4和细网格模型软件Building EXODUS, 对同一建筑进行人员疏散研究。

1 三种疏散模型概述

1.1 日本经验公式法

与欧美所采用的计算机模拟体系不同, 日本在安全疏散方面一直采用手算的方法。2000年, 日本颁布了最新疏散评估计算方法。

1.1.1 日本经验公式法简介

日本的疏散时间计算分为两部分:着火房间的疏散时间计算、着火层的疏散时间计算。在每一部分中将疏散分为三个阶段, 相对应三个阶段的时间分别为疏散准备时间、到达出口的时间和排队通过出口的时间。

(1) 着火房间的疏散时间计算, 见式 (1) ～式 (3) 。

疏散准备时间ts, r:

undefined (1)

式中:A为房间面积, m2。

疏散步行时间tt, r:

undefined (2)

式中:lmax, room为房间距门口最远距离, m; v为步行速度, m/s。

排队通过出口时间tq, r:

undefined (3)

式中:Pr为出口聚集的人数, 人;N为流动系数, 人/ (m·s) ;B为门的宽度, m。

(2) 着火楼层的疏散时间计算, 见式 (4) ～式 (6) 。

疏散准备时间ts, f:

undefined (4)

式中:Af为楼层面积, m2;α为参数, 住宅建筑、宾馆α=300 s, 其他用途建筑则设定α=180 s。

疏散步行时间tt, f:

undefined (5)

式中:lmax, floor为从楼层最远处到楼梯间距离, m。

排队通过出口时间tq, f:

undefined (6)

式中:Pr为聚集在出口的人数, 人;N为流动系数, 人/ (m·s) ;B为门的宽度, m。

在办公室等建筑为空间中, 一般有办公桌等家具, 疏散人员难于直接到达出口, 需要经过家具之间的通道才能到达出口, 人员运动路线呈L型。所以, 房间至出口的最大距离lmax, room按L型路线计算, 如图1所示。

1.1.2 对日本经验公式的改进

日本经验公式只是计算了人员从房间至楼梯间的疏散时间, 缺少由楼梯间至室外的疏散计算。这一点与性能化疏散设计存在差异, 所以在经验公式中增加楼梯间至室外的疏散时间计算。具体方法如式 (7) 、式 (8) 所示。

疏散步行时间tt, s:

undefined (7)

式中:lmax, stair为从楼梯间至一楼大厅距离, m。

排队通过时间tq, s:

undefined (8)

式中:Pr为出口聚集人数, 人;N为流动系数, 人/ (m·s) ;B为门的宽度, m。

1.2 粗网格模型EVACNET4

EVACNET4是一个水力疏散模型, 模拟人员在建筑物内行走并最终疏散到安全地点的全过程。软件由佛罗里达大学开发, 是目前世界上被广泛采用的疏散模型之一。

1.2.1 EVACNET4建筑网络模型

EVACNET4 对建筑物的结构布局以网络的形式描述, 模拟人员在这一网络内的流动, 直至所有人员最终到达规定的安全地点为止。因此, 模拟之前首先要建立建筑的网络模型。建筑网络模型由一系列的节点和连接各个节点的弧组成。节点代表建筑物内大厅、房间、走廊、楼梯间、安全出口以及其他空间建筑。模型将室外或建筑内的安全出口定义为目标节点, 以人员到达目标节点作为疏散结束。空间上相连的节点通过虚拟的弧来连接, 这些弧并不真实存在, 只是通过它来反映各个节点之间的连接关系, 以反映人员在网络内的流动。

1.2.2 EVACNET4参数取值

根据经验公式来确定人员疏散的行走速度, 在EVACNET4使用指南中, 根据对排队服务水平和走道服务水平拥挤程度的定性描述, 确定不同服务水平。

对于每个节点需要定义两个参数:一是确定模拟开始时节点内的人数;二是确定节点所能够容纳的最多人数。计算节点面积UA, 根据服务等级确定人均占有面积APAO, 根据公式undefined, 得到节点容量。

对于每个弧也要定义两个参数:

(1) 确定人员通过弧所用的时间。计算两节点之间中点的距离。人员通过弧所用的时间以式 (9) 计算。

undefined (9)

式中:T为通过弧所需时间, s;l为所连接两节点中点之间的距离, m;v为人员通过该弧的行走速度, m/s。

(2) 单位时间内通过该弧的人数。根据人员行走的速度, 通过查询EVACNET使用指南中对排队服务水平和走道服务水平拥挤程度的定性描述, 确定流动系数, 按式 (10) 计算人流量。

Q=N×B (10)

式中:Q为单位时间通过该弧的人数, 人/s;B为弧的有效宽度, m;N为单位宽度弧的人流量, 人/ (m·s) 。

1.3 细网格模型Building EXODUS

1.3.1 Building EXODUS软件简介

Building EXODUS是一种细网格的过程模拟软件, 它与其他疏散模拟软件的最大不同之处在于考虑了疏散人员间、疏散人员与火灾间以及疏散人员与建筑结构间的相互作用。因此, Building EXODUS能较真实地模拟疏散人员和场景的若干属性和行为, 追踪疏散过程的诸多细节, 并在此基础上给出较全面详实的预测结果。

1.3.2 Building EXODUS建筑网络模型

Building EXODUS中, 建筑空间用二维空间网格表示, 时间用仿真时钟表示, 空间网格反映了建筑物的几何形状、出口位置、内部分区、障碍物等。多层几何形状可以用楼梯连接的多个空间网格组成, 每一层放在独立的窗口中。建筑物平面图用CAD产生的DXF文件或者用交互工具产生, 然后存储在几何库中以备将来之用。网格由节点和弧线组成, 每一个节点代表一个小的空间, 每一段弧代表节点之间的距离。人员沿弧线从一个节点向另一个节点移动。

1.4 三种计算方法的局限性及适用范围

(1) 日本经验公式根据出口容量和人员通过出口的速度计算疏散时间, 主要是通过大量的实际观测取得的一些经验公式, 虽然不能反映在人员众多的情况下可能发生拥挤的现象, 但使用方便, 因而应用广泛。

(2) EVACNET4属于一种优化模型, 采用粗网络模型的方法, 即按照建筑空间的划分来确定网格。通常假定人员是具有相同疏散能力的整体, 按照预定的疏散计划, 以一定的平均流动速度在建筑物中从一个空间向另一个空间疏散, 不考虑人员的个体疏散行为, 疏散通道与疏散出口的流动特性是最佳的, 疏散路线也是最佳的。但这种模型无法表达人员在疏散途中任一时刻所处的准确位置, 因此在对局部疏散流动特征细节的描述、疏散过程中的障碍程度以及疏散者相互间影响的表达等方面存在一定的困难。但是, 优化模型在计算时运行速度较快, 适用于人员密度较大, 疏散人员无须自行决策疏散行动的场合。

(3) Building EXODUS属于一种模拟模型, 采用精网络法把整个建筑封闭空间划分成0.5 m×0.5 m的小网格, 不仅可以表现人员实际的疏散行为和运动过程, 得出准确的结果, 还可以真实地反映疏散时所选择的路线和决策情况。用这种方法可以准确地表示建筑空间的几何形状及内部障碍物的位置, 以及疏散的任意时刻每个人员的准确位置。模拟模型在计算机计算时, 要求有较大的内存空间, 运行时间较长。

2 建筑物基本情况及基本参数设置

2.1 建筑物基本情况

笔者所例举的建筑为3层办公楼, 层高3.2 m。建筑物平面图如图2所示。

2.2 基本参数设置

根据经验公式确定行走速度, 房间至走廊为1.2 m/s, 走廊内速度为1.0 m/s。由于在楼梯间处出现瓶颈状态, 故经公式计算楼梯内行走速度为0.35 m/s。

3 疏散时间的计算

3.1 日本经验公式对建筑疏散时间的预测

3.1.1 日本经验公式主要参数设置

经验公式算法中疏散速度与Building EXODUS取同一数值, 即从房间至走廊人员平均疏散速度为1.2 m/s, 走廊至楼梯间人员平均疏散速度为1.0 m/s, 下楼速度为0.35 m/s。

3.1.2 疏散时间的计算

(1) 房间至走廊的疏散时间tWP-HA的计算。

最远疏散距离undefined

房间内疏散速度v=1.2 m/s

房间内疏散时间undefined

有效流动系数N=0.8人/ (m·s)

undefined

(2) 走廊至楼梯间疏散时间tHA-SW。

最远疏散距离undefined

走廊内疏散速度v=1.0 m/s

走廊内疏散时间undefined

由于ACO/αn

undefined

(3) 三楼楼梯间至一楼走廊疏散时间tSW-HA。

最远疏散距离按折线距离计算undefined

undefined

(4) 一楼走廊至安全出口疏散时间tSW-DS, 包括走廊疏散至安全出口的时间tt, d和安全出口的排队等待时间tq, d。

undefined

综上所述, 建筑物中人员疏散时间为:

t=tWP-HA+tHA-SW+tSW-HA+tSW-DS=475.9 s

3.1.3 各楼层疏散时间计算

(1) 三楼疏散时间计算。

房间至走廊的疏散时间tWP-HA=23.90 s

走廊至楼梯间疏散时间tHA-SW3=92.35 s

三楼楼梯间至二楼楼梯间疏散时间tSW3-SW2=128.87 s

一楼疏散完毕所用时间t=tWP-HA+tHA-SW3+tSW3-SW2=245.1 s

(2) 二楼疏散时间计算。

二楼疏散完毕所用时间t=tWP-HA+tHA-SW+tSW-HA+tSW-DS=395.3 s

(3) 一楼疏散时间计算。

因为一楼的人员受阻疏散最慢, 所以一楼所有人员疏散到安全区域所用时间即为疏散总时间, 即一楼疏散时间为475.9 s。

3.2 EVACNET4对建筑物人员疏散时间的预测

3.2.1 EVACNET4主要参数设置

(1) 对于每个节点需要定义两个参数:

模拟开始时节点内的人数;节点所能够容纳的最多人数, 节点面积/人均占有面积。

目标节点初始人数可设为零, 能容纳的最多人数缺省值为无穷大。

(2) 对于每个弧也要定义两个参数:

人员通过弧所用的时间, 由公式 (9) 计算;单位时间内通过该弧的人数, 由公式 (10) 计算。

根据经验公式中确定的步行速度v=1.0 m/s对应EVACNET4中走廊服务水平表格, 得到N=0.6人/ (m·s) 。

3.2.2 EVACNET4模拟结果

EVACNET4模拟结果如表1所示。

3.3 Building EXODUS对建筑物人员疏散时间预测

3.3.1 Building EXODUS几何空间节点模型建立

模型由CAD产生的DXF文件导入。网格由节点和弧线组成, 每一个节点代表一个小的空间, 每一段弧代表节点之间的距离。人员沿弧线从一个节点到另一个节点, 形成的几何空间节点模型如图3所示。

3.3.2 Building EXODUS人群及参数设置

由于此建筑物性质为办公楼, 人群不是很复杂, 故而对建筑物进行模拟主要设定了两组人群, 即年龄在20～60周岁的男性和女性各占一半。由于存在严重的瓶颈状态, 所以速度取房间和走廊速度的平均值1.1 m/s, 楼梯内为0.35 m/s。为了同日本的经验公式、EVACNET4取得一致, 不设置人群的反应时间。

3.3.3 Building EXODUS数据处理

经过对此建筑物内人员位置交换并进行十次反复的模拟之后, 得到的数据如表2所示。

对表中数据取平均值后可得:一楼、二楼、三楼所有人员疏散完毕所用时间分别为:462.8 s、438.1 s、398.1 s。

3.4 小结

三种疏散方法得到的疏散总时间如表3所示。

三种疏散方法得到的各楼层疏散时间见表4。

由表3及表4可以看出, 通过对疏散模型中各种参数进行合理取值, 一楼和二楼疏散时间基本近似, 但三楼疏散时间较长且相差较大。

办公楼建筑一般人员密度为0.125人/m2, 而在该建筑中人员密度为0.6人/m2, 远远超出了一般建筑人员密度, 这就导致了在疏散过程中大量的人员阻塞在二楼和三楼的楼梯间内, 在二楼楼梯口处出现严重的“瓶颈”状态。三楼人员要想疏散出去只有等待二楼人员疏散完毕后方可疏散 (如图3所示) , 影响了人员疏散速度。精细网格模型Building EXODUS的模拟过程准确而形象地反映了这一现象, 而日本经验公式和EVACNET4的模拟过程却不能准确地反映这一现象, 这恰恰说明了精细网格模型Building EXODUS在细节问题处理上的优越性。

4 结论

该建筑的疏散总人数为502人, 人员密度为0.6人/m2。在疏散时间计算过程中通过采用人员密度与速度的关系确定人员疏散速度, 然后在EVACNET4的计算中根据人员的行走速度, 通过查阅EVACNET4使用指南, 根据对排队服务水平和走道服务水平拥挤程度的定性描述, 确定选择不同服务等级, 进而确定流动系数, 解决了EVACNET4中参数难以确定的问题。由表3及表4可以看出, 通过对疏散模型中各种参数进行合理取值, 一楼和二楼疏散时间基本近似, 但三楼疏散时间相差较大, 由此可以得出以下两个结论:

(1) 疏散总时间相等说明, 尽管三种疏散模型具有不同的理论基础、假设条件、输入输出参数值, 每个模型也分别从不同角度来模拟人员在建筑物内的疏散行为, 其性能、效果及适用范围也各不相同。但是通过对经验公式、EVACNET4和Building EXODUS中的参数进行合理的取值, 三种疏散模型疏散总时间预测结果近似相等, 均能得到比较合理的结果。

(2) 三楼疏散时间相差较大说明, 在模拟的细节问题处理上仍存在差异, 网格模型优于经验公式, 细网格模型优于粗网格模型。由此可以认为, 如在建筑疏散时间的计算中只需要最终的疏散总时间, 不考虑细节问题上的处理, 模拟人员可根据自身情况, 选择一种疏散模型;但如果考虑建筑模拟过程中细节的处理, 模拟人员应优先选择精细网格模型。

参考文献

[1]Peter A Thompson, Eric W Marchant.Testing and Application ofThe computer model‘Simulex’[J].Fire Safety Journal, 1995, (24) :149-166.

[2]马征.公共聚集场所人员安全疏散性能化设计与评估[D].西安:西安建筑科技大学建筑技术科学学院, 2004.

[3]王厚华, 郭丹, 郭勇.建筑物人员疏散行动时间的预测研究[J].中国安全科学学报, 2006, 16 (17) :54-58.

[4]陈智明, 霍然, 王国栋.建筑内人员疏散的一种网络模型算法的讨论[J].火灾科学, 2004, 13 (2) :91-94.

[5]田玉敏.火灾中人员的行为及其模拟计算方法的研究[J].安全与环境学报, 2006, 6 (1) :26-30.

[6]李引擎.建筑防火性能化设计[M].北京:化学工业出版社.2005:127-133.

[7]胡效雷, 刘朝, 陈秀环.高层建筑中人员安全疏散时间的计算机模拟[J].重庆大学学报, 2004, 27 (10) :106-108.

预测离婚的方法篇9

混沌是确定性非线性系统所具有的一种内在随机性,对初始条件有着敏感依赖性,因此不可能对混沌系统做长期预测,但短期预测是可行的[1]。负荷是受气温等多种因素影响的非线性混沌系统,在实际运行中容易得到的只是负荷的时间序列,混沌预测正是利用混沌吸引子在不同层次间的自相似性进行混沌系统的短期预测,它不需要了解各影响因素与负荷之间的相互关系,也无需对负荷序列建立复杂多变的预测模型,仅通过相空间重构来近似恢复原来的多维非线性混沌系统,这对于不能直接测量深层的自变量,而仅仅知道一组数据序列的研究人员来说,也有了研究系统的动力行为的可能[2]。

混沌预测可分为全域预测、Lyapunov指数预测、局域预测等。其中全域预测法计算量大,而且适用于光滑函数,因此应用较少;局域预测法运用较广,以Takens嵌入定理为理论基础的局域法预测模型是一种简单、有效的预测方法[3]。常用的加权一阶局域法是一种单步预测模型,对于多步预测问题需将得到的预测值作为新息加入到原时间序列中并再次调用该模型,显然,这种方式计算量大,且存在误差累积效应。为此,本文提出了一种加权一阶局域法多步预测模型,以提高混沌时间序列多步预测的效率,避免误差累积效应。将本文方法应用于某油田供热负荷预测,结果表明该方法具有很强的自适应能力,其预测精度高。

2 加权一阶局域预测法

根据Takens定理,单变量的负荷时间序列经过相空间重构能够恢复原负荷系统的主要特性[4]。其具体方法为:对于时间序列1x、x2、…、xN,N是序列的长度。根据G-P(Grassberger-Procaccia)算法计算出时间序列的关联维d,再由Takens定理选取嵌入维数m=2d+1,然后用F F T方法对信号进行分析得到平均轨道周期mtbp,根据mtbp=(m-)1τ求得时间延迟τ[3,5,6],从而得到重构相空间为:Yi=(x i,xi+τ,L,xi+(m-)1τ),i=1,2,…,M,M是重构相空间中相点的个数,M=N-(m-1)τ。设中心点YM的邻近点为YMi,i=1,2,…,q,并且到YM的距离为di,设dmin是di中的最小值,定义点Yki的权值为:

则一阶局域线性拟合为:

其中,a、b为拟合所需的实系数,e为一q维向量,e=(11,,L1,)T,YMi+1是YMi演化一步后的相点。

当嵌入维数m=1时,应用加权最小二乘法有

解上述方程组即可得到系数a,b,将a,b代入一步预测公式YM+1=ae+b YM,即可得到演化一步后的相点预测值YM+1:

这里,YM+1中前(m-1)个元素为原序列中已知值,其第m个元素xM+1+(m-)1τ即为原序列的一步预测值xˆN+1。此即加权一阶局域法一步预测模型。如需进行多步预测,可将预测值作为新息加入原时间序列并重复以上步骤即可实现多步预测,但这种方式计算量大,且存在误差累积效应。为此,本文提出了一种加权一阶局域法多步预测模型。

3 加权一阶局域法的改进

加权一阶局域法单步预测模型的实质是在重构的相空间中找到与参考点最相似的(m+1)个相点,并根据这(m+1)个相点演化一步的规律进行一步预测。对于混沌时间序列,相空间中一对最近邻随时间演化遵循的是一种指数规律e-λt,参数λ是最大Lyapunov指数,体现了系统初始闭轨道的指数发散速率。因此,当嵌入维数m>1,且需进行k(k>1)步预测时,可以类似加权一阶局域法一步预测模型,根据这(m+1)个相点演化k步的规律进行k步预测。具体推导如下:

设中心点YM的参考向量集{Y Mi},i=1,2,…,q其演化k步后的相点集为{MYi+k},一阶局域线性拟合为:

根据加权最小二乘法有:

将上式看成是关于未知数ak,kb的二元函数,两边求偏导得:

化简得:

写成矩阵形式为:

其中:coe1=qi=∑1P ijm∑=1xjMi,coe2=i∑q=1P ij∑m=1(x Mji)2,

则:

在编程计算中,系数coe1中的项是参考向

量YMi的元素和,系数coe2中的项

ek中的项j中的项

是参考向量MYi+k的元素和。这样,求取ak bk的公式为:

根据求得的ak、kb,代入k步预测公式YM+k=a ke+bkYM,即可得到演化k步后的相点预测值MY+k:

这里,MY+k中的第m个元素xM+k+(m-)1τ即为原序列的k步预测值xˆN+k。

4 实例分析

本文以某油田2008年11月10日到2009年2月2 8日的每天2 4小时负荷数据作为历史负荷序列,根据互信息法和C a o氏方法[3]计算得其嵌入维数m=4,延迟时间τ=3。将2 0 0 9年3月1日2 4点负荷作为预测数据序列,对本文提出改进方法进行实例分析。为进行比较分析,作者同时对加权一阶局域单步预测模型和改进加权一阶局域多步预测模型进行了预测,其预测误差比较结果如表1所示。

为进一步检验本文预测方法的有效性,某油田2009年3月1日到2009年3月7日的供热负荷进行为期一周的预测。为进行比较分析,同时对加权一阶局域预测法进行预测,预测结果如表2所示。

从表2看出,通过对2009年3月1日到2009年3月7日为一周的每天24点的负荷预测,本文预测方法较常规一阶局域预测法有较好的稳定性和预测性能,精度有明显提高,由于6日和7日为星期六和星期天,其预测误差相对较大。因此通过比较得知,本文改进方法是有效的,其预测期为一周的预测曲线和相对误差曲线如图1所示。

5 结束语

本文在已有的研究成果基础上提出了一种改进的加权一阶局域预测法,该方法提高了混沌时间序列多步预测的效率,避免误差累积效应。应用本文提出的方法对某油田供热负荷进行了实际分析,比较结果表明该方法不仅在预测精度和泛化能力上优于传统的预测方法而且具有较好的实用性和可靠性。

参考文献

[1]李天云,刘自发.电力系统负荷的混沌特性及预测[J].中国电机工程学报,2000,20(11):36-40.

[2]吕金虎,张锁春.加权一阶局域法在电力系统短期负荷预测中的应用[J].控制理论与应用,2002,19(5):767-770.

[3]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].武汉:武汉大学出版社,2002.

[4]杨绍清,贾传荧.重构相空间的两种新方法[J].物理学报,2002,51(2):2452-2458.

[5]陆君安,吕金虎,陈士华.Chen’s混沌吸引子及其特征量[J].控制理论与应用,2002,19(2):308-310.

【预测离婚的方法】推荐阅读：

离婚协议书遗漏财产分割的解决方法08-20

寻找最佳的预测方法10-22

早产的预测方法研究10-28