9篇关于时间序列预测的计算机毕业论文

今天分享的是关于时间序列预测的9篇计算机毕业论文范文, 如果你的论文涉及到时间序列预测等主题,本文能够帮助到你

门诊收费及药房管理系统的设计实现

这是一篇关于门诊划价收费,药房管理,时间序列预测,季节ARIMA模型的论文, 主要内容为医院信息系统(HIS,Hospital Information System)是指应用电子计算机和网络通信设备,为医院及其所属各相关部门、相关科室提供病人的医疗服务信息、财务核算信息、行政管理信息以及决策统计信息,该系统包括数据和信息的收集、存储、处理以及通讯,并能使所有授权用户通过该系统提供的信息达到各种功能需求。当今时代,医疗市场已经形成了日趋白热化的竞争态势,随着信息技术的发展,医院的经营模式也在随之变化,从计划管理的模式逐渐转变成以患者为中心的服务模式。医院要提高竞争力,势必要从根本入手,改善医疗环境,提高服务质量,尤其是管理质量和管理效率,简化患者从入院治疗到出院的流程,加强门诊、药房等医院内部辅助支持科室的管理,降低医疗采购成本。简而言之,就是使用计算机信息系统实现医院信息的数字化管理,使系统能够短时快速检索、模糊查找,同时要有较高的可靠性和保密性,为保证医院长远发展,还需要有较大的存储量、较长的使用寿命以及较低的成本。本文在分析系统需求的基础上,进行了门诊收费及药房管理系统的概要设计和详细设计,实现了基于B/S架构的门诊划价收费及药房管理系统,重点实现了门诊收费、门诊退费、药房发药、药房退药、药房库存管理等5个模块。在物理架构上采用流行的B/S模式,将所有功能都集中到WEB服务器上,客户端只需要安装有浏览器即可访问,简化了系统的部署,方便了系统的维护与升级;将所有数据另外存放于独立的数据服务器,有利于提高系统的可伸缩性及数据的安全性;在业务流程上全程采用条形码作为输入、查询、识别的主要手段,提高了业务办理的速度及准确性。在药房库存管理模块,还采用基于季节ARIMA模型的时间序列预测方法对库存药品用量预测方法进行了研究和实现,先根据门诊开药的历史数据预测药品需求量,然后根据库存药品数量和预测的需求量,估计库存药品余量,当估计的库存药品余量到达警界线时,系统发出预警,提醒药房库管员及时补货,以保证药品的充足供应。论文最后对系统进行了测试,测试结果表明系统达到了预期目标,目前系统已经上线使用,应用效果良好。

空气质量监测与分析系统的设计与实现

这是一篇关于空气质量,AQI,ARIMA模型,时间序列预测,AmCharts的论文, 主要内容为随着生活水平的不断提升,人们对于生活品质的要求也越来越高。然而,城市化、工业化进程的快速发展导致了城市能源消耗速度的快速提高,造成了以可吸入颗粒物、氮氧化物、硫化物为主的大气污染问题日趋严重,雾霾越来越多地笼罩着我们的城市,严重地影响了人们的身体健康和日常生活。因此,对于空气质量的实时查询和及时预测分析成为了人们的迫切需求。目前我国在各省市都开展了大规模的基础设施建设,力求实现对各区域环境空气质量和主要空气污染源监测的基本覆盖,环境保护部可以获得大量环境空气质量和空气污染物的实时动态监测数据,这给对空气质量数据的研究提供了很好的数据基础。本文设计与开发了一个基于时间序列ARIMA预测模型的空气质量监测与分析系统。该系统首先通过定时任务触发的方式采集中国环境保护部数据中心每小时发布的数据(包括空气质量指数(AQI),具体污染物如SO2和SO3,以及PM2.5指数等),进而利用AmCharts图表组件渲染,形象简洁地以不同粒度展示了城市、区域、全国的历史和当前空气质量情况。同时,该系统结合ARIMA预测模型,通过程序实现了对未来空气质量情况的自动化预测,改变了需人工拟合模型的现状。本系统采用Java语言开发,基于B/S模式,采用标准的数据层+逻辑层+展现层的三层架构,使用MVC模式的设计思想,并结合了Spring和Hibernate等框架进行了实现。与目前现有的墨迹天气等天气监测系统相比,本文工作的主要创新之处有:1.专注于空气质量而非天气状况的监控,并运用最新的前端可视化技术,用户体验有很大程度的提升2.以程序方式实现了 ARIMA预测模型,从而将实时监控与未来预测结合,扩展了系统的应用范围通过本系统,用户可以查询所处城市的最新的空气质量状况,同时还可以总览全局,监测不同粒度的区域空气质量状况。同时,通过本系统对未来空气质量状况的分析预测,放眼未来,实现监测与分析的共同目标,从而验证了本文工作的有效性。

疫苗监管平台的设计与实现

这是一篇关于疫苗监管,数据分析,时间序列预测的论文, 主要内容为疫苗作为预防接种的特殊药品,其安全事关每个公民的健康及每个家庭的幸福。近年来,疫苗安全问题频频发生,造成了人民担忧,社会各界一致呼吁建立疫苗全流程的追溯监管体系,加强疫苗监管工作。因此国家药监局制定了全国建立疫苗追溯监管体系的政策,要求国家和省级药品监管部门建设各级疫苗监管系统,监管责任区域内的疫苗流通使用情况。论文选题来自作者实习公司所建设的某省级疫苗监管平台,本文从疫苗监管的实际需求出发,设计和实现了该省级的疫苗监管平台。本平台将实现省内疫苗相关信息的整合和管理、疫苗流通数据的计算和分析及异常风险的预警,共包含省/市疾控冷库管理、配送监管、疫苗使用管理、疫苗监管、统计分析五大模块,本文主要工作如下:(1)本文介绍了平台的开发背景和国内外疫苗监管现状,并阐述了平台开发所用的Hadoop、Storm数据处理技术,时间序列预测模型及SSM框架。(2)本文根据对某省内疫苗监管的需求分析,设计了平台的总体架构和技术架构。进而对平台的功能结构及数据库表结构进行了梳理和设计。(3)本文详细介绍了疫苗监管平台的详细设计与实现过程,平台数据计算部分采用了多种主流技术,其中,疫苗配送监管中对于冷链设备的温湿度数据计算采用消息中间件技术Kafka结合实时计算框架Storm实现了分布式、高性能的实时数据计算,对温湿度异常情况进行预警。疫苗流通数据分析部分主要使用Hadoop框架,基于HDFS文件存储技术,由Map Reduce程序进行统计分析,并结合可视化模块直观展示结果;疫苗使用数据预测部分使用时间序列预测算法,基于该省省会城市的疫苗接种记录,构建了该市免疫规划类疫苗的使用数量预测模型。本文设计了各个功能模块的业务处理逻辑。最后对平台的功能测试和非功能测试的结果进行分析。目前,该疫苗监管平台已经建设完成并投入使用,系统运行状况良好,能有效地为该省的疫苗监管工作提供信息化支持。

Kubernetes集群中基于预测技术的容器自适应伸缩系统的设计与实现

这是一篇关于Kubernetes,容器,自适应伸缩,时间序列预测的论文, 主要内容为随着云计算和云原生技术的普及,容器技术成为支撑新兴网络应用的重要技术。而Kubernetes作为在工业界使用最为广泛的容器编排管理工具之一,对其进行功能和性能的优化和完善是目前工业界所关注的重要问题。在Kubernetes的各项功能中,自适应伸缩是经常使用到的一种功能,其含义是通过自动化的扩容或缩容操作使容器的资源满足应用的需求。自适应伸缩技术让云计算的资源可以灵活配置,同时避免了资源的浪费。然而,目前业界所使用的Kubernetes自适应伸缩功能虽然能满足一些场景下的需要,但是也存在缺陷:(1)现有Kubernetes伸缩资源指标单一,缺乏对应用相关指标的考虑,从而限制了伸缩的有效性;(2)现有Kubernetes被动的响应式伸缩方式生效时间慢,无法满足应用动态变化的资源需求。针对上述问题,本文设计并实现了一套基于预测技术的容器自适应伸缩系统,主要工作包括以下内容:(1)针对现有Kubernetes伸缩资源指标单一的问题,设计了多维度资源采集和监控方法,通过转发Web请求从而采集请求数量信息,同时采集容器的CPU使用量信息。将CPU使用量和Web应用访问量结合作为伸缩的度量指标,从而避免了单一考虑CPU使用量的不足。(2)针对现有Kubernetes被动的响应式伸缩方式生效时间慢的问题,设计了内置多种算法可供选用的资源预测模块,其中包括近年学术文献上新提出的基于机器学习的预测方法N-BEATS,预测精度高。通过读取资源采集和监控模块存储到数据库中的监控数据,使用时间序列预测算法执行预测,主动执行容器副本数量调整操作。(3)最后,基于需求分析、系统设计和系统实现等工程实践方法在开源Kubernetes系统中实现了上述核心模块,从功能测试和非功能测试两方面对系统进行了测试,验证本文所实现的主动式自适应伸缩方法的有效性。系统测试结果表明,本系统相对于响应式伸缩方式可以提前进行伸缩操作,在提高应用性能的基础上,相对于静态分配方式能够显著提高系统的资源利用率。

面向深度回声状态网络的参数优化方法研究

这是一篇关于深度回声状态网络,参数优化,网络结构搜索,知识进化,时间序列预测的论文, 主要内容为深度回声状态网络(Deep Echo State Network,DESN)具有高效的时序预测能力和非线性处理能力,目前己经广泛应用于时间序列预测等领域。DESN的参数包括结构参数和权值参数,对这些参数进行优化能够提高DESN的预测性能。一方面,目前的结构参数优化方法用于DESN时会耗费大量的训练时间,其训练过程需要加速。但是现有的加速方法都是基于前馈式神经网络提出的,不适用于DESN特殊的储备池结构。另一方面,目前的权值参数优化方法用于DESN时,需要较多的训练样本和训练时间。上述问题使DESN在参数优化方面存在困难,限制了其预测能力。论文分别从结构参数和权值参数这两方面,对DESN的参数优化方法进行研究,具体内容如下:1.为了解决结构参数优化训练时间长的问题,提出了基于改进Net2Net的DESN结构参数优化方法。首先,针对DESN储备池的特点,对经典的Net2Net算法进行了改进,用于加速结构参数的训练过程。其次,使用基于贡献度的剪枝方法训练一个规模较小的回声状态网络(Echo State Network,ESN),使结构参数的优化过程有一个良好的开端。然后,构造一个基于强化学习的元控制器,元控制器使用改进的Net2Net算法在剪枝后ESN的基础上进行网络转换操作。最后,在三种不同的时间序列数据集上进行了仿真实验。仿真结果表明,与现有的结构参数优化方法相比,基于改进Net2Net的DESN结构参数优化方法能够利用较少的训练时间,提升DESN的预测精度。2.为了解决权值参数优化训练成本高的问题,提出了基于改进知识进化的DESN权值参数优化方法。首先,使用权值拆分技术将DESN的权值参数拆分成拟合子网和重置子网两个互斥子网,以减少训练样本。其次,使用旗鱼优化算法训练拟合子网,使用随机算子扰动重置子网,以减少训练时间。最后,在三种不同的时间序列数据集上进行了仿真实验。仿真结果表明,与现有的权值参数优化方法相比,基于改进知识进化的DESN权值参数优化方法能够利用较少的训练样本和训练时间,提升DESN的预测精度。

面向小批量多品种的通用件产品分布式库存技术研究

这是一篇关于时间序列预测,循环神经网络,库存调拨,协调性调拨的论文, 主要内容为小批量多品种的通用件制造企业因其管理的复杂性和自身产品所具有的特点,越来越受到人们的重视。本文针对传统库存预测不精准提出一种可依赖长期数据关系的循环神经网络算法,然后针对库存总成本过高提出协调性调拨策略。本文主要完成了以下几方面的工作:首先,针对传统的时间序列预测方法不能充分利用数据之间的长期依赖关系的问题,本文研究了一种基于长短期记忆(Long Short-Term Memory,LSTM)循环神经网络算法用于库存预测研究,通过算例仿真分析了LSTM对库存预测的有效性。在此基础上为了解决输入数据的重叠、以及神经单元状态未被充分利用的问题,提出了一种基于LSTM改进的算法用于对库存进行预测。改进的LSTM具体通过调整门限结构来提高对复杂数据的学习和充分的利用输入数据。通过算例仿真,从图像、图表以及质量评估手段等多个方面验证了改进后的LSTM循环神经网络对库存预测的效果更好。仿真结果表明,相较于原始的LSTM算法,改进后的LSTM算法收敛更快,运算效率更高,模型训练时间更短,预测值更接近真实值。其次,针对分布式库存仓库间货物相互调拨产生的成本问题,本文研究了一种单一主动调拨模型。中央仓库每隔一个补货周期就向区域次级仓库补货一次,这种模型能缓解部分区域仓库的库存积压,但是在很大程度上不能满足用户的需求,导致当前库存产生缺货成本以及同级的其他仓库产生高额的库存持有成本。为了解决整个库存系统的库存成本高的问题,本文提出了一种次级仓库之间可横向补货的协调式调拨策略,解决了缺货损失问题和降低了库存持有成本等问题。该模型的建立是为了协调各个次级仓库之间的库存水平,以一定时间内的总体成本最少为优化的目标函数,通过次级仓库的之间合理的库存调拨方式来最小化调拨成本,增加企业收入的同时减少库存成本,避免盲目调度带来的额外成本开销,最终通过模型求解,验证了该策略的有效性。最后,本文在上述研究的基础上,基于SpringBoot等Java企业级框架进行了分布式库存系统的开发,用于指导该通用件制造企业的生产,该系统总共包含六大子系统,本文对其进行了详细设计、代码实现以及系统功能完整的测试。

空气质量监测与分析系统的设计与实现

基于物联网的水虻养殖环境云上监控系统

这是一篇关于环境监控,云平台,水虻养殖,以太网通信,物联网,时间序列预测的论文, 主要内容为近年来,人民生活水平不断提升,我国畜牧业和餐饮业飞速发展,产生了更多的禽畜粪便和厨余垃圾,这对环境造成了巨大的污染。研究发现水虻可以取食禽畜粪便和厨余垃圾,一方面减轻了禽畜粪便和厨余垃圾积累给环境污染带来的生态压力;另一方面,水虻自身作为一种优质蛋白饲料,可以作为鱼饲料降低水产养殖成本。因此,推广水虻的养殖可以带来丰厚的经济效益,但是水虻的成活率以及对禽畜粪便和厨余垃圾的转化率很大程度上取决于环境的优劣,所以需要严格监控水虻的养殖环境。传统的养殖方式存在费时费力、效率低下和实时性低等缺点,出现突发情况时不能及时采取措施进行实时调控。当前相关的环境监控系统不能提供远程管理功能、面向客户的数据可视化形式不够完善,以及缺少对环境数据的更深一步挖掘利用。针对上述问题,结合养殖环境监控的功能要求与性能要求,本文设计了基于物联网的水虻养殖环境云上监控系统。本系统可以实现获取环境数据并进行可视化展示、调节环境状况和预警等功能。根据系统功能需求,本文将系统分为下位机、云平台、客户端与预测算法模型四个部分。首先设计并搭建了下位机部分,下位机完成环境数据的采集并对数据进行处理,采用以太网通信传送给云平台,并通过继电器控制环境设备调节异常环境至最佳状态。接着完成对云平台后台服务与客户端的设计和部署,云平台负责数据的储存与交互,是系统的中心部分,整个远程监控系统的后台服务与数据库均部署在云服务器上。客户端基于B/S模式并采用JavaWeb技术开发,实现了环境数据的可视化展示、环境设备的远程管理以及预警功能等。最后为了应对突发情况,及时预测出下一时刻可能出现的环境数据值,反馈给工作人员有效信息进行调控,阻止环境参数的骤变对水虻成长带来危害。本文研究了环境值预测算法,比较了循环神经网络(RNN)、长短期记忆网络(LSTM)以及循环门控网络(GRU)的优缺点,采用基于一维卷积的门控循环单元网络对环境值进行预测,并使用互相关拟合使预测结果与真实值更加贴近,进一步提升预测能力。经过三个水虻养殖周期的测试,结果表明系统能够稳定运行,各功能正常进行,能够实现对水虻养殖环境的实时监控与远程管理,明显提高了水虻的成活率以及对禽畜粪便和厨余垃圾的转化率,满足实用要求。

基于循环图神经网络的时态知识图谱补全算法研究

这是一篇关于知识图谱补全,知识表示学习,时间序列预测,图神经网络,事件预测的论文, 主要内容为知识图谱是知识库的一种可视化结构表示,在信息检索、自然语言理解,推荐系统和医疗等领域的应用中都起着至关重要的作用。由于知识图谱的不完整性限制了其在下游任务中的应用,致力于解决知识图谱数据缺失问题的知识图谱补全成为了当前的研究热点。然而,从现实世界的资源中抽取、组织并构建的知识图谱,其包含的事实往往具有不均匀的分布且表现出复杂的时间动态。先前的静态知识图谱补全方法由于高度依赖于足够的训练实例,且不考虑事实的时态属性,其在补全任务中的效果不可避免地受到制约。因此,本文聚焦于知识图谱补全中事实的时态性问题、关系的长尾问题和稀疏性问题,展开了三个方面的研究。(1)针对知识图谱中事实的时态性,利用历史发展规律综合考虑知识图谱中历史事实的序列、重复和循环模式,捕获和权衡事件的局部和全局历史特征,提出了一种融合局部和全局历史模式的时态知识图谱补全方法(TiRGN)。(2)针对静态知识图谱和时态知识图谱中单一时刻内关系的长尾问题,利用自适应多聚合器来学习给定关系实体对的两类邻域拓扑,并结合粗粒度的语义匹配和细粒度的相关性匹配,提出了一种基于匹配网络的小样本知识图谱补全方法(Star Ring)。(3)针对时态知识图谱中多时刻内事实关系的稀疏性问题,利用关系自适应网为不同的低频和高频关系动态调整局部历史长度,并为小样本关系进行动态路径匹配,提出了一种基于关系自适应网络的小样本时态知识图谱补全方法(RAN)。本文在公开数据集上验证了所提出的方法,Ti RGN在6个公开数据集上的补全性能均有所提升,实验结果表明了捕获多种历史模式的有效性。Star Ring在来自NELL、FB15k237和Wiki的三个小样本知识图谱补全数据集上进行验证,实验结果表明了利用两类拓扑建模更完整的邻域结构有效缓解了长尾问题。综合了前两个方法的RAN同时进行实体预测和关系预测的多任务学习后,在多关系数据集上的实验结果表明了其在时态知识图谱补全中的实体预测和关系预测任务上都优于先前的方法,并且其性能提升在小样本关系上更加显著。

本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈，原文地址：https://bishedaima.com/lunwen/45961.html