探讨Mann-Kendall检验法、差分自回归移动平均模型(Autoregressive Mobile Average Model,ARIMA)与长短期记忆神经网络(Long and Short-Term Memory,LSTM)的组合模型在《中国的核安全》、《核安全年报》中核电厂运行事件数量的应用,对...探讨Mann-Kendall检验法、差分自回归移动平均模型(Autoregressive Mobile Average Model,ARIMA)与长短期记忆神经网络(Long and Short-Term Memory,LSTM)的组合模型在《中国的核安全》、《核安全年报》中核电厂运行事件数量的应用,对运行事件数量进行趋势分析、突变分析和预测并证明模型的适用性。利用1991⁓2018年核电厂运行事件数量,使用R软件建立ARIMA(2,1,2)模型,得到运行事件数量的线性部分;建立LSTM模型,对偏差序列进行预测,得到运行事件数量的非线性部分;最后建立ARIMA和LSTM组合模型,利用组合模型对运行事件数量进行预测,并根据实测数据对预测结果进行对比验证。实验结果表明:ARIMA和LSTM组合模型可较好地拟合运行事件数量时间序列,并修正单一模型的误差,有效提高预测精度3%,且得到的2019⁓2020年核电厂运行事件数量预测值与《核安全年报》相近。展开更多
文摘探讨Mann-Kendall检验法、差分自回归移动平均模型(Autoregressive Mobile Average Model,ARIMA)与长短期记忆神经网络(Long and Short-Term Memory,LSTM)的组合模型在《中国的核安全》、《核安全年报》中核电厂运行事件数量的应用,对运行事件数量进行趋势分析、突变分析和预测并证明模型的适用性。利用1991⁓2018年核电厂运行事件数量,使用R软件建立ARIMA(2,1,2)模型,得到运行事件数量的线性部分;建立LSTM模型,对偏差序列进行预测,得到运行事件数量的非线性部分;最后建立ARIMA和LSTM组合模型,利用组合模型对运行事件数量进行预测,并根据实测数据对预测结果进行对比验证。实验结果表明:ARIMA和LSTM组合模型可较好地拟合运行事件数量时间序列,并修正单一模型的误差,有效提高预测精度3%,且得到的2019⁓2020年核电厂运行事件数量预测值与《核安全年报》相近。
