Resumen

La combinación de métodos lineales y no lineales es ampliamente utilizada en la predicción de datos de series temporales. Este documento analiza los datos de series temporales de irregularidades en la pista utilizando modelos de grado de incidencia gris y métodos de transformación de datos, tratando de encontrar la relación connotativa entre los datos de series temporales. En este documento, GM se basa en ecuaciones diferenciales lineales de primer orden y de una sola variable; después de una mejora adaptativa y corrección de errores, se utiliza para predecir la tendencia de cambio a largo plazo de la irregularidad en la pista en un punto de medición fijo; el modelo estocástico lineal AR, el modelo de filtrado de Kalman y el modelo de red neuronal artificial se aplican para predecir la tendencia de cambio a corto plazo de la irregularidad en la pista en una sección unitaria. Tanto los cambios a largo plazo como a corto plazo demuestran que el modelo es efectivo y puede lograr la precisión esperada.

• Materias:Polinomios Ecuaciones dinámicas Ecuaciones diferenciales Ecuaciones funcionales
• Subjects:Polynomials Dynamic equations Differential equations Functional equations
• Palabras claves:Combinación; Lineal; No lineal; Predicción; Datos de series temporales; Irregularidad de la pista
• Keywords:Combination; Linear; Nonlinear; Prediction; Time series data; Track irregularity