XiaoMi-AI文件搜索系统
World File Search SystemArima
人机界面 ARIMA 模型评估...
操作员态势感知 (SA) 对于确保任何工业设施安全运行至关重要，对于核电站 (NPP) 更是如此。核电站工业事故（按国际原子能机构 (IAEA) 国际核事件分级表 (INES) [ 1 ] 中 1（异常）至 7（重大事故）的严重程度等级升序排列）包括以下案例：加拿大乔克河国家研究反应堆 (NRX) (INES-5) — 控制室控制棒状态指示灯错误、机械故障以及控制室人员沟通不畅等多重故障导致安全关闭棒库意外拔出，造成反应堆功率在 5 秒内失控超过反应堆设计极限的四倍，导致 1952 年 12 月 12 日发生严重堆芯损坏；美国三哩岛核事故（INES-5）——设计不良、模糊的控制室指示器导致操作员失误，影响了紧急冷却水供应，导致 1979 年 3 月 28 日三哩岛 2 号机组 (TMI-2) 反应堆堆芯安全壳部分熔毁；苏联切尔诺贝利事故（INES-7）——人为因素和固有设计缺陷导致 4 号机组于 1986 年 4 月 26 日发生灾难性爆炸并释放放射性物质。从事故后报告 [ 2 – 4 ] 中可以看出，关键事故前兆包括：(1) 由于传统人机界面 (HMI) 设计中的人为因素相关缺陷导致态势感知能力下降；(2) 常态化、偏差化，导致核安全文化松懈； (3) 信息过载（看而不见效应 [ 5 ]），这是由于通过控制室 HMI（面板指示、通告等）向操作员呈现信息的速度太快。）；以及 (4) 高度动态单元演进的错误心理模型导致认知错误，这是由于故障或有故障的传感器提供的工厂信息相互冲突，以及现场设备状态监控不正确。
使用 ARIMA 模型分析和预测 GDP
摘要：国内生产总值（GDP）是衡量国民经济发展的重要指标，对于促进经济增长、辅助有关部门进行经济决策具有重要意义。本文采用ARIMA时间序列模型对1978—2022年中国GDP进行实证分析。结果表明，预测的GDP值与实际值吻合较好，即ARIMA（0，2，0）模型具有较高的预测精度。基于建立的ARIMA（0，2，0）模型对2023—2027年中国GDP进行顺序预测。从预测结果可以看出，中国GDP仍将保持平稳增长。为促进中国经济增长，提出以下建议：（1）吸引高科技人才和复合型人才；（2）优化升级产业结构；（3）坚持创新驱动；（4）加强深化对外经济合作。
本科学位课程计划和教学大纲... - BTU
4 自回归综合移动平均 (ARIMA) 模型：自回归移动平均 (ARMA) 模型 - ARMA 模型的平稳性和可逆性 - 使用变异函数检查平稳性 - 检测非平稳性 - 自回归综合移动平均 (ARIMA) 模型 - 使用 ARIMA 进行预测 - 季节性数据 - 季节性 ARIMA 模型 使用季节性 ARIMA 模型进行预测简介 - 寻找“最佳”模型 - 示例：互联网用户数据 - 模型选择标准 - 脉冲响应函数用于研究模型之间的差异 比较竞争模型的脉冲响应函数 。
改善季节性influenza-forecasting-使用时间...
流感是一种高度传染性的呼吸道疾病，仍然对世界各地的公共卫生构成严重威胁。预测技术有助于监测季节性流感和其他类似流感的疾病，以及适当地管理资源以制定疫苗接种策略，并选择适当的公共卫生措施以减少疾病的影响。这项调查的目的是预测使用XGBoost模型在2020年和2021年的沙特阿拉伯每月发病率，并将其与Arima和Sarima模型进行比较。结果表明，与Arima和Sarima模型相比，XGBoost模型具有最低的MAE，MAE和RMSE，并且R-squared（R²）的最高值。本研究将XGBOOST模型与Arima和Sarima模型的准确性进行了比较，以提供每月季节性流感病例数量的预测。这些结果证实了以下概念：XGBoost模型的预测准确性高于Arima和Sarima模型，这主要是由于其捕获复杂的非线性关系的能力。因此，XGBoost模型可以预测沙特阿拉伯季节性流感病例的每月发生。
通过人工智能社会创新解决无家可归问题：采用 ARIMA 和 LSTM 等预测分析和机器学习模型，对洛杉矶无家可归人群的犯罪受害情况进行新颖且具有突破性的评估
无家可归是一个世界性的问题，近年来洛杉矶 (LA) 的无家可归者数量急剧增加。尽管已经开展了多项研究来调查无家可归的各个方面及其与犯罪受害的交集，但没有一项研究使用机器学习技术来分析无家可归与无家可归者受害之间的关系。为了更好地了解无家可归者受害的影响，我们整合了从联邦、州和市政府机构获得的三个数据集，创建了一个统一的数据集，得出了重要的发现。特征工程用于引出无家可归不同维度之间的关系。基于提取的特征，机器学习技术用于模拟无家可归者的受害情况。我们的研究结果表明，洛杉矶无家可归者受害与种族、性别、年龄和社区划分密切相关。鉴于本研究的主要目标是帮助社会服务机构实施社会创新，我们应用了两种复杂的机器学习方法来预测无家可归者的未来：自回归综合移动平均线 (ARIMA) 和长短记忆网络 (LSTM)。这两个模型都从不同角度进行了训练，以预测未来两年内犯罪热点地区以及弱势群体的性别、种族和年龄组。最后，向各部门和政府机构提出了一些社会改进建议，以改善针对无家可归犯罪受害者的服务和项目。
使用机器学习预测网络链接上的带宽利用
摘要 - 在网络链接上预测带宽利用率对于检测拥塞以在发生之前对其进行纠正非常有用。在本文中，我们提出了一种解决方案，可以预测不同网络链接之间的带宽利用率，其精度非常高。创建了一个模拟网络，以收集与每个接口上网络链接的性能有关的数据。这些数据通过功能工程进行处理和扩展，以创建培训集。我们评估和比较了三种类型的机器学习算法，即Arima（自回归的集成移动平均线），MLP（多层感知器）和LSTM（长期短期记忆），以预测未来的带宽消耗量。LSTM的表现优于Arima和MLP，其预测非常准确，很少超过3％的误差（Arima为40％，MLP为20％）。然后，我们证明建议的解决方案可以通过由软件定义网络（SDN）平台管理的反应实时使用。索引术语 - 国王检测，LSTM，MLP，Arima，实时带宽预测
统计模型和机器的比较分析 -
黑胡椒（Piper nigrum），通常被称为“香料之王”和“黑金”，是世界上使用最广泛的香料之一，以其刺激性的风味和健康益处而闻名。起源于印度喀拉拉邦的热带森林，黑胡椒的历史可追溯到数千年，并且在全球贸易和烹饪传统中发挥了重要作用。根据喀拉拉邦政府经济学和统计局的说法，该州在2022 - 23年的面积为73,732公顷的面积为73,732公顷。在全球贸易和工业的动态格局中，对商品价格的准确预测对于明智的决策，风险管理和经济计划至关重要。通过检查历史趋势，市场动态和技术进步，本研究旨在为预测黑胡椒价格的有效模型开发。这些模型将使Pepper行业的利益相关者能够在挑战中应对挑战，并在迅速发展的经济环境中抓住新兴的机会。时间序列预测多年来一直在发展，并开发了各种方法和模型，以提高准确性并处理时间数据中的复杂模式。Arima的基础是在1970年代的乔治E.P.的工作。Box和Gwilym M. Jenkins。 他们引入了Arima模型，作为自回旋（AR）和移动平均值（MA）模型的扩展。 虽然Arima模型在捕获胡椒价格数据中的模式和非线性关系方面存在局限性，但人工神经网络（ANN）通过利用提供了改进Box和Gwilym M. Jenkins。他们引入了Arima模型，作为自回旋（AR）和移动平均值（MA）模型的扩展。虽然Arima模型在捕获胡椒价格数据中的模式和非线性关系方面存在局限性，但人工神经网络（ANN）通过利用
时间序列的机器学习模型的比较分析
摘要：本研究比较了在财务数据分析中预测时间序列的不同机器学习模型。使用包括Arima，LSTM和GRU在内的模型来预测股票价格变动。我们衡量每个模型在各种数据集中的准确性和计算效率，并讨论其在财务预测环境中的优势和劣势。调查结果表明，深度学习模型在捕获传统方法的复杂时间模式方面显示出显着改善。关键字：时间序列预测，机器学习，Arima，LSTM，财务分析。A.简介
PlaceTech 创新实验室
非生成性人工智能 (Arima) 模型用于预测格拉斯哥的人口增长。如果提供数据，该模型可以适应重大变化并根据过去和未来的重大事件提供预测。然后将结果导入 GIS 并通过 ESRI 的 Experience Builder 进行可视化，如下所示。地图查询和过滤器可用于简化分析，数据也可以以图表形式可视化。平均而言，市中心的预测增长略低于人口翻倍的目标。对居住地战略设想的政策干预影响的分析应能进一步了解何时以及如何实现人口目标。该平台可用于评估和量化新发展和政策干预的影响，方法是用不同的历史事件、拟议政策或拟议未来发展数据重复 Arima 模型。
