ARIMA-ANN混合模型提升区间时间序列预测精度

本文主要探讨了区间时间序列的混合预测模型在城市轨道交通牵引能耗领域的应用。该研究提出了一种创新的方法，将自回归求和移动平均(ARIMA)模型与人工神经网络(ANN)相结合，构建了一个混合模型。这种方法旨在提高对区间中值序列和区间半径序列的建模精度和预测性能。 ARIMA模型是一种经典的统计时间序列分析工具，它通过自回归、差分和移动平均等步骤来捕捉数据的内在趋势和季节性。然而，对于区间数据，单纯使用ARIMA可能无法完全捕捉数据的复杂性，因此引入了人工神经网络（ANN），其强大的非线性建模能力能够处理多变量和非线性关系，进一步提升了预测的准确性。 混合模型的优势在于结合了两种方法的优点，既利用了ARIMA模型对时间序列的稳定性，又利用了ANN的灵活性。研究人员采用了Monte Carlo模拟方法来生成模拟区间序列，以此测试不同模型在处理此类数据上的效果。通过对比ARIMA、ANN和混合模型的建模及预测结果，发现混合模型在模型误差的统计学检验中表现更优。 针对H市轨道交通某号线的实际牵引能耗区间序列，作者进行了具体的建模和预测实验。实验结果显示，混合模型不仅在建模精度上超越了单一的ARIMA或ANN模型，而且在预测性能方面也显示出显著的优势。这表明，对于区间时间序列，混合模型是一种更为有效的预测工具，特别适合于城市轨道交通这类具有复杂时空特性的问题。 这项研究不仅提供了一种新的预测方法，还为区间时间序列分析提供了有价值的参考，特别是在城市轨道交通能耗管理等实际应用中，这种混合模型有望提升能源效率和运营决策的准确性。