基于Huang变换和ARIMA模型的时间序列预测方法

文中首先通过Huang变换将非平稳时间序列分解为有限个固有模态函数和一个残余函数之和,然后应用ARIMA模型对各个固有模态函数和残余函数进行预测,最后将所有的预测值重构叠加,得到原始时间序列的预测值。实例证明,基于Huang变换和ARIMA模型的时间序列预测方法,优于小波变换、ARIMA模型以及小波变换和ARIMA模型相结合的预测方法,提高了预测精度。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较

边坡土体深层水平位移预测是边坡变形监测的重要内容,对预防边坡安全事故有重要指导意义。典型的两种时间序列预测方法:ARIMA和Holt-Winters,适合预测边坡土体深层水平位移这类是既有随机性增长(或降低)又有时变性波动的非平稳时间序列。选取了648个土体深层水平位移历史数据作为实证分析的原序列,使用ARIMA模型和Holt-Winters方法对其作出了预测,并比较分析预测结果。结果表明:两种方法的短期预测效果都很好,各具特点。     

张家川地区胆结石发病率的时间序列预测模型

在讨论时间序列模型基本方法的基础上,通过分析甘肃张家川地区胆结石的发病率数据序列的特征,建立了ARIMA数学模型,并用SPSS软件进行时间序列建模的最小二乘法参数估计图检,并进行预测值与实验值比较.从预测结果来看,发病率呈现平稳且伴随周期性发病状况.     

欧亚商都购物人次时间序列预测模型

时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,文中采用1998~2002年的数据,应用时间序列分析中的ARIMA模型对欧亚商都2003~2004年的季节购物人次进行了预测,实际计算过程由Eviews软件的自回归移动平均模型ARIMA过程实现,结果与实际数据基本相符,本模型所取参数对欧亚商都购物人次的短期预测是行之有效的。     

基于CEEMDAN-NAR-ARIMA组合模型的桥梁监测应变预测

提出了一种基于CEEMDAN-NAR-ARIMA的组合模型用以预测桥梁SHM监测应变数据。针对经典时间序列理论对模态混叠的数据无法有效预测的问题,采用了CEEMDAN方法对桥梁SHM应变监测数据进行了分解,并使用PE方法将分解得到的大量分量按照随机程度进行分类重组形成数个新数据序列,最后结合NAR动态神经网络和ARIMA模型分别对每个新数据序列进行预测并叠加得到了最终的预测值。将该方法用于上海市某座斜拉桥的SHM应变数据预测,结果表明,该方法相比于经典时间序列理论提高了预测的准确性,具有良好的工程应用价值。     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于时间序列的娘子关泉降水及径流变化分析

为了研究及预测娘子关泉域降水及径流的变化趋势,采用时间序列分析方法,通过SPSS软件建立ARIMA模型对降水和径流序列进行分析,并预测后续11年的变化趋势,得出预测值的95%置信区间.结果表明,ARIMA(6,1,0)模型是年降水序列的有效拟合模型,ARIMA(10,2,0)模型是年径流序列的有效拟合模型.相比娘子关泉域的年降水序列,年径流序列的下降趋势更为显著,且从2017年开始,年径流序列预测值的95%置信区间开始包含负值,说明可能受人为因素的影响,需要引起人们的重视.     

基于多尺度主成分分析的ARIMA原油价格预测方法

石油作为"工业芯片",原油价格波动会对全球的经济与政治安全造成影响,准确地预测原油价格未来信息一直备受各方关注。提出基于多尺度主成分分析(MSPCA)的ARIMA原油价格预测方法,考虑原油期货价格与现货价格之间的相关性,采用原油期货价格和现货价格序列组成的二维数据作为原始数据,数据经过MSPCA后利用ARIMA进行预测。该方法利用了小波变换的多尺度分析能力,PCA的降维统计能力和ARIMA模型对非平稳时间序列的预测能力,实验证实该预测方法优于经典ARIMA方法和Holt′s指数平滑法,有效地提高原油价格预测精度。     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.