MPARMA模型EM算法及观测信息矩阵的计算

混合周期自回归滑动平均模型（Mixture Periodical Autoregressive Moving—Average—MPARMA）是一类新的用于描述周期时间序列中非线性特征的非线性模型,由于MPARMA模型的参数较多,传统的参数估计方法的推导十分冗繁。利用EM（Expectation Maximization）算法,研究了混合周期自回归滑动平均模型的参数估计方法,讨论了EM估计的标准差,详细推导了观测信息矩阵和缺损信息矩阵的计算公式。蒙特卡洛模拟实验结果表明,EM算法是一种简单有效的MPARMA模型参数估计方法。     

时间序列预测模型及其应用

预测预报是时间序列分析的应用之一，人们根据大量的观测数据对系统进行分析，主要原因是为了能够预测出系统在未来的特性，以便对系统的特性进行处理或控制．文章给出了自回归-滑动评价混合模型（ARMA模型）、平稳序列模型、差分序列模型（ARIMA模型）三种时间序列预测模型，并给出了具体的例子．     

基于时间序列算法的电力无功测量

为了对电力系统的无功进行有效的控制,必须对无功进行预测.对无功的预测也就是对系统功率因数的预测.利用时间序列分析方法,建立了3种预测模型,分别是自回归模型、滑动平均模型和混合模型.通过对3种模型的比较,最终选用混合模型的时间序列分析方法对电力系统的功率因数进行预测.经实测检验,混合模型分析方法的误差非常小,表明该方法具有一定的实用价值.     

中国水稻纹枯病发生率预测研究——基于时间序列预测模型

该文以1960年~2007年中国水稻纹枯病发生率年度数据为样本,通过分析病害流行动态与周期特征,运用时间序列Logistic模型、自回归移动平均（ARIMA）模型和自回归AR模型进行预测,在此基础构建组合预测模型预测2014年水稻纹枯病发生率,预测结果与模型构建过程可以为相关研究提供借鉴参考。     

广西GDP的时间序列模型的建立与实证分析

综合运用了判别时间序列平稳性的方法,利用单位根方法检验时间序列的差分阶数;利用自相关函数图和偏相关函数图判别时间序列模型的自回归阶数(AR(p))和滑动平均阶数(MA(q)),建立广西GDP的时间序列模型.再利用TSP软件采用OLS法对时间序列模型进行回归分析与显著性检验,并对通过检验的回归结果进行分析与预测.     

黄淮海平原历史旱涝灾害的时间序列分析

选用全国自然灾害历史数据库中黄淮海平原地区的旱涝灾害等级数据，运用时间序列分析方法，建立了该地区旱涝灾害的自回归－－移动平均混合模型（ＡＲＭＡ模型），并根据所建模型对旱涝灾害进行了后验预报，结果表明，用ＡＲＭＡ模型做年际旱涝变化趋势预报是有潜力的。     

基于混合自回归滑动平均潜周期模型的短期电价预测

应用混合自回归滑动平均潜周期模型对短期电价序列进行了预测.对消除了趋势影响的电价序列,经离散傅里叶变换转换为复值潜周期模型,采用一种简单的周期图检测方法计算电价序列的周期特征参数.为了计及历史信息对当前状态的影响,采用自回归滑动平均模型拟合残差随机分量,采用赤池信息准则确定模型的阶数,参数则由矩估计得到.该模型不要求预先假设电价序列的周期尺度,周期的个数和大小由模型计算确定,方法简单.采用美国宾夕法尼亚、新泽西、马里兰电力市场的实际电价数据对模型进行了检验,验证了模型的有效性.     

旅游收入时间序列预测——以秦皇岛市为例

采用时间序列动态模型、求和自回归滑动平均模型、延迟因变量自回归模型预测秦皇岛旅游收入时各有优劣。用平均绝对百分比误差、均方根误差和均方根百分比误差三个指标来评估这三个模型,发现求和自回归模型的预测能力最好,并由此提出增加秦皇岛旅游收入的关键措施：导入区域旅游模式,提升旅游服务质量,加强旅游产品促销等。     

基于时间序列聚类和ARMA模型的检索量预测

为了通过预测分析检索量数据来指导商家调整产品开发及经营策略,将检索量数据组织为时间序列,对其用自回归滑动平均(ARMA)模型进行建模预测.先将时间序列进行聚类,仅对聚类中心序列进行ARMA模型识别,同类序列用该模型进行近似建模预测:经过数据预处理、相似性分析、基于相似度的聚类、时间序列预测等过程,得到检索量数据的预测值...     

两传感器自校正信息融合Kalman滤波器

用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,对含有未知模型参数和噪声方差的两传感器线性离散随机系统,提出了自校正信息融合Kalman滤波器。它具有渐近最优性。一个仿真例子说明了其有效性。     

基于Simulink的污水管网节点流量随机模拟器设计

为了合理评价污水管网的运行工况和服务性能，采用非平稳时序分析方法对其中节点人流序列进行了随机建模．首先，奇异点识别采用Tukey提出的方法，趋势项识别采用基于逐步回归分析的曲线拟合法，周期项识别采用累积周期图法．其次，平稳时序模型类型识别采用自相关图和偏相关图，阶数确定采用信息准则方法，参数估计采用最小二乘法．模型通过了残差检验和实用性检验．最后，根据随机建模结果在Matlab／Simulink上设计了污水管网节点流量随机模拟器的结构图，可实现污水管网节点人流序列的蒙特卡罗模拟，并在示波器窗口对模拟流量序列和原始流量序列进行了比较．     

GPS定位误差分析与建模

目的研究ＧＰＳ（全球定位系统）定位误差数据的数学模型．方法采用时间序列方法对原始数据进行分析,用周期图法提取周期项误差,用波克斯－詹金斯方法对平衡随机序列建模．结果该模型可用来提高ＧＰＳ定位精度,结论ＧＰＳ定位误差数据属于非平衡时间序列,包括周期项序列和平衡随机项序列,其中周期项序列的最大隐含周期为１０ｍｉｎ,平稳随机项序列符合ＡＲ（１）模型．     

滑动加权最小二乘法识别污水流量变化模式

为了获得污水管网非恒定流模拟所需的节点流量变化模式曲线，根据非平稳时序分析方法识别原始流量序列的主值分量和周期分量，二者之和即为节点流量变化模式．其中，主值分量分别应用滑动加权最小二乘法和参数模型法进行识别；周期分量采用累积周期图法识别．最后，以识别结果序列和原始序列的相关系数以及残差均方差作为评价标准，对北京某污水厂一组日流量变化序列和时流量变化序列的识别结果进行了比较．比较结果表明：①滑动加权最小二乘法对主值分量的识别结果优于参数模型法；②滑动加权最小二乘法联合累积周期图法对节点流量变化模式的识别结果优于参数模型法联合累积周期图法．     

新油轮市场需求的交互式逐步逼近建模及预测

基于组合模型的建模思想，提出了一种有效拟合时间序列数据的交互式逐步逼近建模方法，识别并拟合出了全球巨型油轮（VLCC）新船市场需求长期趋势和潜周期波动因素，通过所建立的时间序列组合模型预测了VLCC新船市场未来10年的发展趋势，计算结果表明，该方法不但可以化繁为简，降低计算难度，而且拟合效果优于根据理论分析推测建立复杂模型的一次性拟合方法，可广泛应用于各种时间序列数据的建模拟合与趋势预测。     

基于时间序列与时间卷积网络的滑坡位移预测

滑坡位移预测作为滑坡监测预警的重要组成部分,对滑坡灾害的防治具有重要意义。目前,滑坡位移预测大多集中在循环架构的神经网络模型上,其存在梯度爆炸、消失问题等问题。为此,提出了一种基于时间序列与时间卷积网络(time convolution network, TCN)的滑坡位移预测模型。首先,该模型通过移动平均法将滑坡位移分解为趋势项位移和周期项位移。其次,采用Holt线性趋势模型预测趋势项位移,并建立时间卷积网络预测周期项位移。最后,将趋势项位移和周期项位移叠加,实现滑坡位移的预测。将该模型用于八字门滑坡的观测研究,结果表明：该模型相较于循环架构的神经网络模型能更有效地提取时序特征,预测精度更高。将基于TCN的滑坡位移预测模型应用于滑坡位移预测具有广阔的应用前景。     

建筑物沉降的时间序列分析与预报

首先对建筑物沉降数据序列进行了平稳化处理,然后研究了平稳化序列的建模和预报方法,最后结合建筑物沉降监测的具体实例进行了时间序列的分析与预报.结果表明:将时间序列分析方法应用于建筑物沉降监测,具有建模容易、计算简单、预报快速的特点;时间序列分析方法对建筑物沉降具有较高的模型拟合及预报精度,尤其是短期预报,效果更佳;应尽量避免使用时间序列进行中长期预报,要根据实测数据对所建模型进行实时更新.     

高速集成电路电源网络的电容参数提取

提出一种基于矩量法的加速计算均匀介质中高速集成电路电源网络分布电容参数的方法。利用电源网络中电源线与地线交替分布且具有一定周期性的特点，引入周期单元，通过在适当的位置添加电壁和磁壁，可以显著减小求解空间。单元的格林函数解具有无穷级数的形式，收敛缓慢，采用Pade逼近对其进行加速。计算结果表明，该方法有效提高了电源网络电容参数的提取效率，且具有较高的精度。     

基于AR模型的低轨卫星大气密度建模与预报

研究了采用时间序列分析进行低轨卫星大气密度的建模与预报。通过对低轨卫星历史和当前的大气密度进行时间序列建模、频谱分析,可以获得未来数个轨道周期内大气密度的预报模型,并结合GRACE卫星加速度计反演的大气密度数据进行了详细分析。研究结果表明:GRACE卫星一个轨道周期内的密度预报模型是以轨道角速度和时间表示的最高次数为2的傅里叶级数。与三维密度模型相比,这种密度预报模型仅与历史的大气密度有关、所需模型参数少,可为今后在卫星定轨和轨道预报工作中大气密度的建模和预报提供新的思路。     

灰色理论GM(1,1)模型在水文预测中的应用——以清江河城区洪峰流量为例

灰色理论在处理和预测时间序列过程中可以有效重构时间序列的规律性.从长期预测角度出发,GM(1,1)模型对时间序列的预测可以达到一定的预期效果.通过近20年恩施城区洪峰流量的观察,清江河流洪峰流量变化存在一定的周期性,通过对GM(1,1)模型计算分析结果表明:一阶微分方程本身的指数函数规律,并不能很好反映周期性波动的洪峰流量变化规律,同时表明单因素流量预测存在很大局限性.     

一种时间序列优化的粒子滤波算法

针对预测对象在动态过程中发生结构性变化的时间序列,难以建立一个实时解析变化趋势的模型.本文提出基于时间序列自适应建模的粒子滤波算法(TS-PF).采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计.非线性预测系统仿真实验表明基于时间序列自适应建模的粒子滤波算法(TS-PF)比单纯采用时间序列动态建模算法(TS)精度更高,提高了动态目标跟踪的准确性.