论文部分内容阅读
摘 要：为了对楼宇内的消防供水节点的压力值进行预测并达到较高的精准度，提出运用果蝇优化算法和适用于预测时间变化序列的模型ARMA相结合的方法，使得对消防系统的水压预测更为精确。该方法以ARMA为基础建立预测模型，通过果蝇优化算法对ARMA的模型阶数进行优化，提高整体消系统部署的应急精准性，并且通过不同模型的预测结果对比可知，初始模型的预测相对误差为4.38%，改进后模型的预测相对误差为3.11%，说明运用此改进方法能有效地提高楼宇水压预测的精准度。
关键词：果蝇优化算法;ARMA模型;水压预测;优化
由于楼宇内的消防水压监测方面存在着许多缺陷，导致了在相关消防问题突发时，供水节点无法保障正常的工作水压，这就延缓了问题处理的及时性。此外，在日常使用与维护中，对于未来时间节点水压的预测并未普及，且精准度欠缺，这就大大降低了楼宇整体系统的智能性，因此，研究并建立高精确度的节点水压预测模型是具有实际意义的。
1.ARMA模型的建立
ARMA模型能够对基于时间变化的一系列的数据进行预测，符合这一特点的数据为时间序列数据，楼宇内的节点检测的水压数据集，由于其特性与测量方法，符合时间序列的条件，因此能够被用于模型内进行数据处理。在取得样本数据后，首先需要确定样本数据是否平稳，若数据平稳则直接代用，若数据为不平稳，可借由MATLAB软件进行差分处理后得到平稳可用数据。在ARMA模型中，模型的阶数决定了模型的性能，阶数是否接近最优直接影响了后续整体模型的预测精准度，但是大多情况下阶数的确定都是基于AIC准则或者大量的人为试探，这就导致预测效率低，预测结果精准度不高等问题。因此提出将果蝇优化算法的寻优结果带入到ARMA模型的定阶步骤中得到FOA-ARMA模型。
2.果蝇优化算法
果蝇算法（FOA）是一种新型的群智能算法，意在的到特定的全局的最优目标，其开及应用灵感来源于自然界果蝇的觅食习性。果蝇算法的最终结果是得到种群中最优的个体的所在位置，位置信息更新以及确定有以下步骤完成：
a.首先在算法的初始化过程中，最大迭代次数、种群数量、起始浓度值、每只个体的随机位置哦度得到给定值。
b.每只果蝇个体通过模拟的嗅觉参数进行随机方向与随机距离的搜索。并根据式（1）来进行位置更新。
randomvalue代表的是每一只果蝇个体在每一支线的随机搜索距离。
c.由于在寻优（搜索食物）的过程中并未明确具体坐标，因此先根据欧氏距离公式来大致计算每只果蝇个体到原点的距离。欧氏距离表达式如（2）。
（2），继而用欧式距离表达式的倒数来表示浓度的判别数值Si，如式（3）。
d.果蝇个体的“判断力”通过目标函数实现，将浓度判别值Si作为变量带入到目标函数中，通过计算的到浓度值smelli，表达式如下，
e.通过对比群体中每只果蝇个体的适应度值来确定群体中的最优位置个体，如表达式所示，
f.保存并标出最优浓度个体坐标，得到其x，y值，群体中其余个体向对应位置进行寻优，
g.重读执行步骤b-f直到循环次数达到设置的最大迭代次数，若达到最大迭代次数则输出最优个体位置参数。
3.优化模型参数
在模型最终的预测结果的精确度上，相对误差RE是最佳体现数值，由于果蝇算法的寻优过程是一个取极小值的过程，因此取F（x）=RE为目标函数即相对误差取到最小为优。首先设定最大迭代次数为，K=100，种群数量为N=50，初始浓度为0.5并随机初始化果蝇个体的位置，而后经上述算法循环步骤加以仿真后，根据ARMA模型其他给定参数，得到果蝇最优个体位置坐标可用于模型的最优阶数为（25，7）。通过用改进后的模型对未来时间内100条水压数据进行预测并与AIC准则一起和真实测量的数据进行对比，通过MATLAB仿真得到AIC-ARMA模型预测值得相对误差为4.38%，基于果蝇算法改进的ARMA模型的预测相对误差为3.11%，预测图如下图1所示：
4.结论
基于果蝇优化算法与ARMA模型各自的特点，将果蝇优化算法的寻优过程应用在ARMA模型阶数确定的步骤中组成一个更加完整、精确的模型，使其更加符合安全、即时的使用环境，从结果来看，预测值相对误差明显减少，符合研究初衷及目的。
参考文献
[1]辛本顺.一种智慧消防云共性基础平台的建设[J].消防技术与产品信息，2017，1（2）：21-24，53.
[2]林天扬.基于BIM的可视化消防设备信息监管研究[D].北京：北京建筑大学，2016.
[3]张文泉，李泓泽.极大似然估计与AIC准则联合建模[J].现代电力，1999（2）：78-82.
[4]李少波，赵辉，张成龙，等.果蝇优化算法研究综述[J].科学技术与工程，2018，18（1）：163-171.
[5]屈展，赵鑫，屈伸.引入果蝇优化算法的最小二乘支持向量机交通流量预测[J].电子测量技术，2018（16）：18-22.
[6]卢志义，聂惟聪，陈丽珍.基于ARMA模型的城市轨道交通客流量预测[J].河南科学，2018，v.36;No.234（5）：12-17.
[7]Baptista M，Sankararaman S，Medeiros I P D，et al.Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling[J].Computers & Industrial Engineering，2018，115：41-53.
（作者單位：华北理工大学 电气工程学院）
关键词：果蝇优化算法;ARMA模型;水压预测;优化
由于楼宇内的消防水压监测方面存在着许多缺陷，导致了在相关消防问题突发时，供水节点无法保障正常的工作水压，这就延缓了问题处理的及时性。此外，在日常使用与维护中，对于未来时间节点水压的预测并未普及，且精准度欠缺，这就大大降低了楼宇整体系统的智能性，因此，研究并建立高精确度的节点水压预测模型是具有实际意义的。
1.ARMA模型的建立
ARMA模型能够对基于时间变化的一系列的数据进行预测，符合这一特点的数据为时间序列数据，楼宇内的节点检测的水压数据集，由于其特性与测量方法，符合时间序列的条件，因此能够被用于模型内进行数据处理。在取得样本数据后，首先需要确定样本数据是否平稳，若数据平稳则直接代用，若数据为不平稳，可借由MATLAB软件进行差分处理后得到平稳可用数据。在ARMA模型中，模型的阶数决定了模型的性能，阶数是否接近最优直接影响了后续整体模型的预测精准度，但是大多情况下阶数的确定都是基于AIC准则或者大量的人为试探，这就导致预测效率低，预测结果精准度不高等问题。因此提出将果蝇优化算法的寻优结果带入到ARMA模型的定阶步骤中得到FOA-ARMA模型。
2.果蝇优化算法
果蝇算法（FOA）是一种新型的群智能算法，意在的到特定的全局的最优目标，其开及应用灵感来源于自然界果蝇的觅食习性。果蝇算法的最终结果是得到种群中最优的个体的所在位置，位置信息更新以及确定有以下步骤完成：
a.首先在算法的初始化过程中，最大迭代次数、种群数量、起始浓度值、每只个体的随机位置哦度得到给定值。
b.每只果蝇个体通过模拟的嗅觉参数进行随机方向与随机距离的搜索。并根据式（1）来进行位置更新。
randomvalue代表的是每一只果蝇个体在每一支线的随机搜索距离。
c.由于在寻优（搜索食物）的过程中并未明确具体坐标，因此先根据欧氏距离公式来大致计算每只果蝇个体到原点的距离。欧氏距离表达式如（2）。
（2），继而用欧式距离表达式的倒数来表示浓度的判别数值Si，如式（3）。
d.果蝇个体的“判断力”通过目标函数实现，将浓度判别值Si作为变量带入到目标函数中，通过计算的到浓度值smelli，表达式如下，
e.通过对比群体中每只果蝇个体的适应度值来确定群体中的最优位置个体，如表达式所示，
f.保存并标出最优浓度个体坐标，得到其x，y值，群体中其余个体向对应位置进行寻优，
g.重读执行步骤b-f直到循环次数达到设置的最大迭代次数，若达到最大迭代次数则输出最优个体位置参数。
3.优化模型参数
在模型最终的预测结果的精确度上，相对误差RE是最佳体现数值，由于果蝇算法的寻优过程是一个取极小值的过程，因此取F（x）=RE为目标函数即相对误差取到最小为优。首先设定最大迭代次数为，K=100，种群数量为N=50，初始浓度为0.5并随机初始化果蝇个体的位置，而后经上述算法循环步骤加以仿真后，根据ARMA模型其他给定参数，得到果蝇最优个体位置坐标可用于模型的最优阶数为（25，7）。通过用改进后的模型对未来时间内100条水压数据进行预测并与AIC准则一起和真实测量的数据进行对比，通过MATLAB仿真得到AIC-ARMA模型预测值得相对误差为4.38%，基于果蝇算法改进的ARMA模型的预测相对误差为3.11%，预测图如下图1所示：
4.结论
基于果蝇优化算法与ARMA模型各自的特点，将果蝇优化算法的寻优过程应用在ARMA模型阶数确定的步骤中组成一个更加完整、精确的模型，使其更加符合安全、即时的使用环境，从结果来看，预测值相对误差明显减少，符合研究初衷及目的。
参考文献
[1]辛本顺.一种智慧消防云共性基础平台的建设[J].消防技术与产品信息，2017，1（2）：21-24，53.
[2]林天扬.基于BIM的可视化消防设备信息监管研究[D].北京：北京建筑大学，2016.
[3]张文泉，李泓泽.极大似然估计与AIC准则联合建模[J].现代电力，1999（2）：78-82.
[4]李少波，赵辉，张成龙，等.果蝇优化算法研究综述[J].科学技术与工程，2018，18（1）：163-171.
[5]屈展，赵鑫，屈伸.引入果蝇优化算法的最小二乘支持向量机交通流量预测[J].电子测量技术，2018（16）：18-22.
[6]卢志义，聂惟聪，陈丽珍.基于ARMA模型的城市轨道交通客流量预测[J].河南科学，2018，v.36;No.234（5）：12-17.
[7]Baptista M，Sankararaman S，Medeiros I P D，et al.Forecasting fault events for predictive maintenance using data-driven techniques and ARMA modeling[J].Computers & Industrial Engineering，2018，115：41-53.
（作者單位：华北理工大学 电气工程学院）