基于FOA優(yōu)化ARMA預(yù)測模型研究

1、    基于foa優(yōu)化arma預(yù)測模型研究    龔瑞昆 曹一凡摘 要：為了對樓宇內(nèi)的消防供水節(jié)點(diǎn)的壓力值進(jìn)行預(yù)測并達(dá)到較高的精準(zhǔn)度，提出運(yùn)用果蠅優(yōu)化算法和適用于預(yù)測時間變化序列的模型arma相結(jié)合的方法，使得對消防系統(tǒng)的水壓預(yù)測更為精確。該方法以arma為基礎(chǔ)建立預(yù)測模型，通過果蠅優(yōu)化算法對arma的模型階數(shù)進(jìn)行優(yōu)化，提高整體消系統(tǒng)部署的應(yīng)急精準(zhǔn)性，并且通過不同模型的預(yù)測結(jié)果對比可知，初始模型的預(yù)測相對誤差為4.38%，改進(jìn)后模型的預(yù)測相對誤差為3.11%，說明運(yùn)用此改進(jìn)方法能有效地提高樓宇水壓預(yù)測的精準(zhǔn)度。關(guān)鍵詞：果蠅優(yōu)化算法;arma模型;水壓預(yù)測

2、;優(yōu)化由于樓宇內(nèi)的消防水壓監(jiān)測方面存在著許多缺陷，導(dǎo)致了在相關(guān)消防問題突發(fā)時，供水節(jié)點(diǎn)無法保障正常的工作水壓，這就延緩了問題處理的及時性。此外，在日常使用與維護(hù)中，對于未來時間節(jié)點(diǎn)水壓的預(yù)測并未普及，且精準(zhǔn)度欠缺，這就大大降低了樓宇整體系統(tǒng)的智能性，因此，研究并建立高精確度的節(jié)點(diǎn)水壓預(yù)測模型是具有實際意義的。1.arma模型的建立arma模型能夠?qū)跁r間變化的一系列的數(shù)據(jù)進(jìn)行預(yù)測，符合這一特點(diǎn)的數(shù)據(jù)為時間序列數(shù)據(jù)，樓宇內(nèi)的節(jié)點(diǎn)檢測的水壓數(shù)據(jù)集，由于其特性與測量方法，符合時間序列的條件，因此能夠被用于模型內(nèi)進(jìn)行數(shù)據(jù)處理。在取得樣本數(shù)據(jù)后，首先需要確定樣本數(shù)據(jù)是否平穩(wěn)，若數(shù)據(jù)平穩(wěn)則直接代用，若數(shù)

3、據(jù)為不平穩(wěn)，可借由matlab軟件進(jìn)行差分處理后得到平穩(wěn)可用數(shù)據(jù)。在arma模型中，模型的階數(shù)決定了模型的性能，階數(shù)是否接近最優(yōu)直接影響了后續(xù)整體模型的預(yù)測精準(zhǔn)度，但是大多情況下階數(shù)的確定都是基于aic準(zhǔn)則或者大量的人為試探，這就導(dǎo)致預(yù)測效率低，預(yù)測結(jié)果精準(zhǔn)度不高等問題。因此提出將果蠅優(yōu)化算法的尋優(yōu)結(jié)果帶入到arma模型的定階步驟中得到foa-arma模型。2.果蠅優(yōu)化算法果蠅算法（foa）是一種新型的群智能算法，意在的到特定的全局的最優(yōu)目標(biāo)，其開及應(yīng)用靈感來源于自然界果蠅的覓食習(xí)性。果蠅算法的最終結(jié)果是得到種群中最優(yōu)的個體的所在位置，位置信息更新以及確定有以下步驟完成：a.首先在算法的初始化

4、過程中，最大迭代次數(shù)、種群數(shù)量、起始濃度值、每只個體的隨機(jī)位置哦度得到給定值。b.每只果蠅個體通過模擬的嗅覺參數(shù)進(jìn)行隨機(jī)方向與隨機(jī)距離的搜索。并根據(jù)式（1）來進(jìn)行位置更新。randomvalue代表的是每一只果蠅個體在每一支線的隨機(jī)搜索距離。c.由于在尋優(yōu)（搜索食物）的過程中并未明確具體坐標(biāo)，因此先根據(jù)歐氏距離公式來大致計算每只果蠅個體到原點(diǎn)的距離。歐氏距離表達(dá)式如（2）。（2），繼而用歐式距離表達(dá)式的倒數(shù)來表示濃度的判別數(shù)值si，如式（3）。d.果蠅個體的“判斷力”通過目標(biāo)函數(shù)實現(xiàn)，將濃度判別值si作為變量帶入到目標(biāo)函數(shù)中，通過計算的到濃度值smelli，表達(dá)式如下，e.通過對比群體中每只果

5、蠅個體的適應(yīng)度值來確定群體中的最優(yōu)位置個體，如表達(dá)式所示，f.保存并標(biāo)出最優(yōu)濃度個體坐標(biāo)，得到其x，y值，群體中其余個體向?qū)?yīng)位置進(jìn)行尋優(yōu)，g.重讀執(zhí)行步驟b-f直到循環(huán)次數(shù)達(dá)到設(shè)置的最大迭代次數(shù)，若達(dá)到最大迭代次數(shù)則輸出最優(yōu)個體位置參數(shù)。3.優(yōu)化模型參數(shù)在模型最終的預(yù)測結(jié)果的精確度上，相對誤差re是最佳體現(xiàn)數(shù)值，由于果蠅算法的尋優(yōu)過程是一個取極小值的過程，因此取f（x）=re為目標(biāo)函數(shù)即相對誤差取到最小為優(yōu)。首先設(shè)定最大迭代次數(shù)為，k=100，種群數(shù)量為n=50，初始濃度為0.5并隨機(jī)初始化果蠅個體的位置，而后經(jīng)上述算法循環(huán)步驟加以仿真后，根據(jù)arma模型其他給定參數(shù)，得到果蠅最優(yōu)個體位置坐

6、標(biāo)可用于模型的最優(yōu)階數(shù)為（25，7）。通過用改進(jìn)后的模型對未來時間內(nèi)100條水壓數(shù)據(jù)進(jìn)行預(yù)測并與aic準(zhǔn)則一起和真實測量的數(shù)據(jù)進(jìn)行對比，通過matlab仿真得到aic-arma模型預(yù)測值得相對誤差為4.38%，基于果蠅算法改進(jìn)的arma模型的預(yù)測相對誤差為3.11%，預(yù)測圖如下圖1所示：4.結(jié)論基于果蠅優(yōu)化算法與arma模型各自的特點(diǎn)，將果蠅優(yōu)化算法的尋優(yōu)過程應(yīng)用在arma模型階數(shù)確定的步驟中組成一個更加完整、精確的模型，使其更加符合安全、即時的使用環(huán)境，從結(jié)果來看，預(yù)測值相對誤差明顯減少，符合研究初衷及目的。參考文獻(xiàn)1辛本順.一種智慧消防云共性基礎(chǔ)平臺的建設(shè)j.消防技術(shù)與產(chǎn)品信息，2017，

7、1（2）：21-24，53.2林天揚(yáng).基于bim的可視化消防設(shè)備信息監(jiān)管研究d.北京：北京建筑大學(xué)，2016.3張文泉，李泓澤.極大似然估計與aic準(zhǔn)則聯(lián)合建模j.現(xiàn)代電力，1999（2）：78-82.4李少波，趙輝，張成龍，等.果蠅優(yōu)化算法研究綜述j.科學(xué)技術(shù)與工程，2018，18（1）：163-171.5屈展，趙鑫，屈伸.引入果蠅優(yōu)化算法的最小二乘支持向量機(jī)交通流量預(yù)測j.電子測量技術(shù)，2018（16）：18-22.6盧志義，聶惟聰，陳麗珍.基于arma模型的城市軌道交通客流量預(yù)測j.河南科學(xué)，2018，v.36;no.234（5）：12-17.7baptista m，sankararaman s，medeiros i p d，et al.forecasting fault events for predictive maintenance using data-driven t