基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

时间序列分析在居民消费水平指数预测中的应用

该文利用SAS统计软件对我国1978-2009年的居民消费水平指数数据进行分析,分别建立了ARIMA模型和Auto-Regressive模型,并给出了反映各个模型拟合精度的AIC值和SBC值,进而确立了一个反映居民消费水平指数变化规律的较优模型.最后,利用该模型对2010年到2014年的全国居民消费水平指数进行了预测.结果表明ARIMA((2),2,0)模型在短期预测中达到了较高的精度.     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

AR IMA模型对中国健康保险的预测研究*

目的从中国健康保险的历史趋势中找出规律,寻找适当模型分析健康保险的可持续发展状况。方法以2006年1月至2015年11月中国健康险保费收入数据作为建模样本,运用EViews7.0,建立中国健康保险的ARIMA模型。结果建立了ARIMA(1,1,1)(1,1,1)~(12)模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。结论样本外预测依然呈现历史规律,未来趋势性正面影响和季节性反面影响更加显著。     

基于ARIMA与灰色马尔科夫模型的三亚市交通客流量预测研究

为了较为全面、客观、准确地预测城市的交通客流量,对三亚市旅游统计数据2012-2017年每月的交通客流数据进行分析,在数据整理的基础上,主要采用ARIMA模型和灰色马尔科夫模型对2012-01—2017-12月三亚的交通流量分别进行拟合仿真,并对2018年每月的客流进行了趋势外推预测;结果表明:采用ARIMA预测模型所获得的平均绝对百分误差为4. 42%,采用灰色马尔科夫模型获得的平均绝对百分误差为3. 78%,表明两种预测具有较高的精度;最后利用灰色马尔科夫模型进行趋势外推预测,得出三亚市2018年交通客流预计近3 600万,预测结果对三亚市旅游、交通等行业制定政策能起到积极的作用。     

“十三五”时期中国粮食产量的预测研究

从中国粮食产量的历史趋势中找出规律,寻找适当模型为政府进一步制定相关的农业改革政策提供参考。以1949—2014年中国粮食产量数据作为建模样本,运用EViews 6.0,建立中国粮食产量的ARIMA模型。建立了ARIMA)0,1,1(模型,并对样本数据进行拟合预测,经检验拟合效果较好,预测精度较高。模型预测效果显著,具有现实意义。     

基于ARIMA-GARCH-t与ELM的人民币汇率组合预测模型研究

本文旨在对人民币汇率进行预测,以丰富汇率预测方法、方式.利用2012年1月4日到2014年11月3日的人民币对美元汇率中间价数据,依据组合预测方差最小原则构建ARIMAGARCH-t与ELM(极限学习机)组合预测模型来分析人民币汇率的非线性时间序列特征,该模型一方面弥补了ARIMA预测时残差异方差性对预测精度的影响,同时将随机扰动项对模型的影响考虑在内,另一方面发挥ELM学习速度快、泛化性能好等特点.实例分析证明,该组合预测模型预测精度高于单一预测方法,是一种有效的预测方法.     

灰色马尔科夫模型在我国病毒性肝炎发病率预测中的应用研究

为科学、准确的预测我国病毒性肝炎的发病趋势，利用灰色马尔科夫模型对我国2000-2016年病毒性肝炎发病率进行拟合，对2017-2019年发病率数据进行预测，并与灰色GM(1,1)预测模型比较以检验模型拟合与预测效果.结果表明，2000-2016年我国病毒性肝炎发病率的灰色马尔科夫模型拟合的平均相对误差为3.06%,灰色GM(1,1)模型拟合的平均相对误差为11.96%;2017-2019年灰色马尔科夫模型预测的平均相对误差为2.05%,灰色GM(1,1)模型预测的平均相对误差为13.47%.灰色马尔科夫模型比灰色预测模型的预测结果更准确，模型精度更优，是我国病毒性肝炎发病率预测效果较为科学、准确的预测模型.     

基于ARIMA模型的黄金价格实证分析

本研究以2011年10月至2014年2月的上海黄金交易所黄金Au100g每日的加权平均价为例,以时间序列的相关理论为基础,建立ARIMA(2,1,0)模型对黄金价格的走势进行实证分析,并对2014年3月至2014年5月的数据进行短期预测.实验结果表明,ARIMA(2,1,0)模型能够比较准确地刻画黄金价格的动态走势,这为中国黄金投资者更好地预测黄金市场的行情提供了一个可行的方法,也为他们理性地投资黄金提供了一个理论依据.     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

基于时间序列疏系数模型的太阳辐射年际变化趋势预测

利用1961—2016年山东省济南市太阳年总辐射量观测数据,通过模型识别和统计检验,对比分析时间序列模型AR(5)和ARIMA((1,2,4),1,0)的拟合结果。残差检验结果表明,疏系数模型ARIMA ((1,2,4),1,0)可用于预测地表太阳年总辐射量,预测结果显示2017—2025年济南市地表太阳辐射的年际变化整体呈增长趋势。对比多元线性回归模型结果,时间序列疏系数模型误差较小,预测准确度相对较高。     

灰色-马尔科夫模型在桥梁运营状况预测中的应用

为了找到一种能够精确有效地预测桥梁运营状况的方法,提出一种基于灰色GM(1,1)理论模型并用马尔科夫链修正的灰色-马尔科夫预测模型.结合河北省某地区的159座桥梁数据对该方法进行应用检验,结果表明:灰色-马尔科夫模型预测数据的平均相对误差为-0.11%,相比灰色GM(1,1)理论模型预测数据的平均相对误差-0.34%,在精度上有了明显的提高,而且灰色-马尔科夫模型预测出的数据更加稳定.利用马尔科夫链优化过的灰色GM(1,1)理论模型预测出2017年至2019年该地区一类桥的数量分别为49座、39座以及34座.由此可知灰色-马尔科夫模型在已知的桥梁定期检查数据基础上可以提供较为精确的预测,相较于灰色GM(1,1)预测模型,该方法具有更高的精度和稳定性.     

基于乘积季节模型的铁路客运量预测

利用中国铁路客运量2005-2016年的月度数据资料,采用乘积季节模型进行建模,对2017年1-6月进行预测;在Eviews和R软件操作下训练与测试数据,分别得到两种乘积季节模型;结果表明:两种软件下客运量的预测误差率均控制在10%以内,两种模型都能较好地预测铁路客运量未来数据的变化情况;通过比较,Eviews建立乘积季节模型,数据分析思维更加严谨,但操作较为复杂,平均预测误差率为4.59%,预测正确率稍低;R软件利用程辑包中相关分析、参数估计与预测函数等,可直接进行分析与预测,操作较为简便,平均预测误差率为3.36%,数据预测正确率较高;通过利用R软件建立ARIMA(2,1,1)×(1,1,1)12模型,此时模型预测精度较好,为预测未来全国铁路客运量变化提供一定的参考价值。     

矿井涌水量回归模型预测方法研究

涌水量预测一直是矿井防治水工作中重要部分,准确的预测可以预防矿井水害的发生。本文应用传统ARIMA模型对某矿过去近20年涌水量数据进行拟合建立数学回归模型,并在此基础上,考虑多因素众变量的影响,提取出涌水量数据中的趋势-循环因子、季节影响、波动因素,重新建立起数学回归模型,对两种不同方式所建立起的模型进行对比分析,结果表明:考虑多因素的季节加法模型预测结果更贴合实际,能够更好地为矿井生产服务。为矿井涌水量预测精度的提升提供了新思路和新方法。     

应用改进的残差GM(1,1)模型预测城市用水量

运用灰色系统理论建立GM(1,1),并用改进的残差GM(1,1)模型进行修正,对城市用水量进行预测.改进的残差修正方法能够使模型保持良好的适应性,有效提高了预测精度.应用该模型对某市年用水量进行预测检验,结果表明:改进的GM(1,1)模型具有较高的预测精度,模拟效果更好.     

基于数据驱动的旅游需求预测研究

合理预测景区客流量不仅可以为景区提供参考,更是旅游治理体系和治理能力现代化建设的内在要求。基于九寨沟风景区官网于2012年5月至2021年5月披露的每日客流量数据,运用Python爬取与九寨沟旅游相关的搜索行为数据和九寨沟每日平均气温,构建ARIMA、SVR模型和加入百度搜索指数与日平均气温的LSTM神经网络模型,对九寨沟风景区客流量进行拟合和预测。结果表明,LSTM神经网络模型预测精度高于ARIMA和SVR模型,加入百度搜索指数和日平均气温的LSTM神经网络模型可以显著提升客流量预测精度。     

ARIMA模型对我国旅游业可持续发展的实证研究

以国内游客人数为研究对象,建立适当模型,分析我国旅游业可持续发展状况。选取1985年至2015年我国国内游客人数为样本,运用Eviews6.0建立ARIMA模型。最终建立ARIMA)1,2,0(模型。经检验,模型拟合效果很好(MAPE=7.363),预测精度极高(99.56%)。ARIMA模型对游客人数的短期预测是合理的,且"十三五"时期国内游客人数呈趋势性增长。     

季节ARIMA模型在我国肺结核发病率预测中的应用

目的探讨应用季节ARIMA模型对我国肺结核发病率进行预测的可行性.方法对我国2005年1月-2010年12月肺结核逐月发病率建立季节ARIMA模型,并对预测效果进行评价.结果 ARIMA（3,1,0）×（0,1,1）12模型很好地拟合了既往数据,对2011年1月-9月发病率的预测值符合实际发病率变动趋势.结论季节ARIMA模型能很好地模拟我国肺结核发病率的变动趋势,将其应用于肺结核发病率预测是可行的.     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

ARIMA乘积季节模型在我国麻疹发病预测中的应用

为了了解我国麻疹月发病数变化规律,预测其变化趋势,为麻疹的防控与监测提供决策依据,主要采用2004年1月至2018年8月我国麻疹月发病数据,利用图示法和单位根检验判断序列是否平稳,根据差分后的平稳序列作出的ACF图和PACF图估计模型中的待估参数,以最小信息量准则(an information criterion,AIC)值最小为最优模型选择标准,以绝对误差、相对误差来评价模型精度,最终建立的模型为ARIMA(1,0,1)×(0,1,2)_(12),利用此模型做短期预测,预测得到的结果可为我国更好地制定麻疹预控方案和评估麻疹防控及监测效果提供科学参考依据。