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。     

基于分位数回归的娘子关泉降水及径流变化分析

为研究娘子关泉域降水及径流的变化特征,利用1959—2009年娘子关泉域7个雨量站的降水数据,采用分位数回归方法分析了降水及径流随时间变化的趋势及两者之间的响应关系.为进一步探讨年降水和年径流序列的分布变化规律,对其在特定年份的分布函数和概率密度函数进行了分析.结果表明:年降水序列在绝大多数分位点的回归直线有下降趋势,总体来说高分位点的下降趋势比低分位点的下降趋势更为显著,1959年的年降水量大约分布在406～826 mm之间,2009年的年降水量大约分布在264～629 mm之间;年径流序列在不同分位水平下保持一致性,都随时间显著下降,1959年的年径流量大约分布在150～193 m3/s之间,2009年的年径流量大约分布在37～80 m3/s之间;年降水和年径流序列之间具有一定的响应关系;经估算,对于年降水量,1959年,年降水序列概率密度的最大值为0.003 5,而到2009年变为0.004 0,函数分布范围从400～800 mm减少至300～600 mm,对于年径流量,1959年,年径流序列概率密度的最大值为0.03,而到2009年变为0.08,函数分布范围从150～200 m3/s减少至20～80 m3/s.     

基于时间序列分析法的沥青路面使用性能预测

通过分析沥青路面养护维修后使用性能衰变的影响因素,论述了沥青路面养护维修使用性能预测指标及预测模型选择的关键。在此基础上建立了基于时间序列分析法的ARIMA模型,对沥青路面养护维修后使用性能进行预测,并结合连霍高速公路商丘—开封段一定时间间隔内的路面行驶使用性能指数(RQI)监测数据对模型进行了验证。研究结果表明:采用ARIMA模型对沥青路面养护维修后使用性能衰变预测,预测初期精度可控制在5%左右,并给出了置信宽度为95%时预测值的置信区间;随着预测期不断延长,置信区间不断增大即预测精度不断下降,给出了"逐渐淘汰预测期远端样本,植入预测期近端数据"的方法来应对预测精度的下降。     

基于SARIMA模型的电离层总电子含量短期预报

针对电离层总电子含量(total electron content,TEC)序列呈现周期性特征,采用季节时间序列(seasonal ARIMA,SARIMA)模型对TEC序列进行预报分析。利用JSCORS 2010年的GPS双频观测数据计算的VTEC序列为样本数据建立模型,实验结果表明:VTEC序列建立合适的季节ARIMA模型,并运用该模型进行短期预测,预测值与实测值变化趋势一致,短期预报的平均相对精度可达89%,但预报精度会随预报长度的增加而减小。     

桂林市汽车销售量的时间序列预测模型

选取1999年1月到2007年3月桂林市各季度的汽车销售量原始数据,在SPSS系统下,运用滑动求和自回归(ARIMA)方法及非参数方法建立桂林市汽车销售量时间序列模型ARIMA(p,d,q),从模型识别、参数估计、适应性检验和实际拟合4个方面来确定模型的参数(p,d,q),并对模型的预测效果进行检验。结果表明,ARIMA(0,2,2)模型能够较好地包含桂林市汽车销售量的发展趋势,该模型对2007年2季度至2008年2季度汽车销售量的预测值与实际值的误差小,相对误差可以控制在3%以内。     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

我国货币市场国债回购利率预测模型研究

选择国债回购利率为研究对象,分别建立了ARIMA及GARCH模型并比较了这两种模型的预测能力。结论表明:使用传统的ARIMA模型,模型ARIMA(0,1,1)配适得较好,如使用GARCH模型,以模型GARCH(2,3)适配效果较好。此外,虽然GARCH模型的预测置信区间的波动性比ARIMA模型要小,但ARIMA模型的预测置信区间要更小一些因此预测能力比GARCH模型更强。     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。     

GM-ARIMA模型在大坝安全监测中的应用

针对大坝安全监测的小样本数据既有一定趋势性又有一定波动性的特点,把灰色模型和时间序列模型结合起来运用在大坝安全监测中.首先利用灰色模型进行拟合和预测,然后对灰色残差序列建立ARIMA模型,对残差进行预测,最后将两者结合起来即可得到预测值.本文以小湾拱坝坝顶某测点的径向位移为例,建立GM-ARIMA进行拟合和预测,并与实测值比较.计算结果表明,与GM模型相比,GM-ARIMA模型的精度高,预测值更接近于实测值.     

基于预测误差的用水预测模型选择方法研究

时间序列法是用水量预测的常用方法,其中预测模型的选择是提高预测精度的关键.针对目前以拟合精度作为模型选择标准的方法,提出了以预测值的置信区间最小为标准选择预测模型的方法.以山西省运城市工业用水量资料为例,分析给出了幂函数、S函数、直线、指数函数、二次和三次抛物线等6个模型95%置信水平下5年和10年两种预测期的预测区间,均以幂函数预测精度最高;对该系列近5年的用水量进行了预测,预测误差也以幂函数最小.表明以预测区间最小选择用水预测模型的方法是合理的、可靠的.     

基于ARIMA模型的煤炭消费量预测研究——以山西省为例

对山西省煤炭消费量进行科学预测有助于对全省的煤炭资源开发进行合理规划、统一配置。分析了1949—2013年山西省煤炭消费量的变化趋势,根据1949—2010年的煤炭消费数据,构建了山西省煤炭消费量短期预测ARIMA(2,1,2)模型,利用此模型对山西省2011年和2012年的煤炭消费量进行了预测,并将预测值与实际值进行对比,发现预测的相对误差仅为3.27%和1.27%,表明模型的拟合度较好。因此,可以运用ARIMA(2,1,2)模型对山西省煤炭消费量进行短期预测。     

气候变化背景下宁夏泾河水资源变化分析

为当地适应气候变化决策提供技术依据,用Mike 11水文模型研究气候变化背景下泾河水资源变化趋势.依据泾河1982—2000年实测降水径流资料,率定建立泾河流域降雨径流模型参数,然后根据气候情景数据,借助经过验证的降水径流模型,预测未来气候变化对宁夏南部山区水资源的影响.结果表明,对泾河1982—1998年实测径流进行模拟,模拟平均径流深与实测径流深拟合程度较好,相对误差为7.2%;逐日径流过程线形状吻合,模拟与实测流量的峰值吻合;低流量平水期吻合较好,在丰水期吻合差一些,二者总体拟合较好.根据PRECIS区域B2气候情景数据(2011-01-10,50km×50km网格),预测南部山区地表径流呈减少趋势.相对于多年平均值,泾河流域地表径流未来减少8.5%²4.3%.泾河干流径流减少幅度较大,将会对东山坡引水、固原东部引水工程造成影响,水资源短缺形势不容乐观,宁夏中南部水资源供需矛盾可能进一步加大.     

基于ARIMA模型的民用航空发动机低压转子振动故障分析

民用航空发动机运行数据是航空公司制定发动机维护方案的重要参考依据。针对某航空公司CFM56-7B发动机的振动值变化趋势提出了一种基于回归分析和ARIMA(Autoregressive Integrated Moving Average Model)模型的故障分析方法。采用回归分析法对各航段发动机振动值和转速之间的关系进行回归拟合,针对指数拟合方程的指数项系数建立ARIMA分析模型,得到方程拟合系数预测值与真实值之间的对应关系并分析结果,从而预判发动机是否有振动故障征兆。结果表明,ARIMA模型能够较好地描述发动机振动-转速拟合系数变化趋势,能够有效地预测发动机振动故障,可为航空公司制定发动机维护方案提供重要依据。     

基于ARIMA模型的福州市雷暴日趋势分析

在分析ARIMA(p,d,q)预测模型的基础上,以福州市1961-2006年的雷暴日为时间序列基础,通过对该序列进行平稳性分析、差分处理、自相关、偏自相关系数计算与绘图、ARIMA建模、参数估计、假设检验及模型预测,将ARIMA模型运用在雷暴日的趋势分析上.研究结果表明,ARIMA能很好地拟合计算出未来短时段内的数据,...     

一种新的区间模糊数时间序列预测模型

通过对区间模糊数进行研究分析,发现已有处理方法是直接对两个界点建模和预测,这样做往往会导致不能很好的描述序列整体性的发展趋势以及模型所预测的结果容易发生错乱等,从而预测失效.首先基于等价和整体性考虑提出了模糊序列的面积序列和重心序列概念.然后对面积序列和重心序列分别建立了遗传优化BP神经网络模型进行回归和预测,并通过还原公式得到原区间模糊数序列的拟合值和预测值.最后通过实例验证了该方法有效可行,对比传统的BP神经网络模型和ARIMA模型,显著提高了预测精度.     

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.     

基于时间序列模型的股票价格波动特性分析

股票市场的波动率问题一直是现代投资学研究的关键问题,是国家监管机构最关注的风险指标。选取股票交易系统中2015—2016年股票东阿阿胶(000423)日收盘价数据,分别从序列水平特征和波动特性2个角度,运用ARIMA模型和GARCH模型,进行股票的短期预测和波动性拟合。结果显示:ARIMA模型对深交所股票东阿阿胶日收盘价的短期预测值与实际值相对误差小,GARCH模型较好地拟合了股票价格,并估计出了风险区间,能为短期投资者和股票决策者提供参考。     

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。     

基于不同时间粒度的城市轨道交通短时客流预测

为探究城市轨道交通进站客流量预测精度与时间粒度之间的关系,以西安地铁自动售检票(AFC)系统连续50 d进站客流量数据为研究依据,将地铁运营有效时间划分为5、15、30 min,1、2 h及1 d等不同时间粒度,并对不同时间粒度下客流量时间序列采用Pearson系数法进行相似性度量,然后利用差分整合移动平均自回归(ARIMA)模型对不同时间粒度下的全网进站量进行拟合。以Pearson系数等于0.95作为短时客流预测时间粒度的选取阈值,最终选取在30、60 min及1 d三种时间粒度下用ARIMA模型进行短时客流预测,并与自回归滑动平均(AR)模型、支持向量回归(SVR)模型和BP神经网络预测模型的预测结果进行比较分析。研究结果表明:时间粒度相关性系数变化呈现单波峰形态,在30、60 min及1 d时间粒度下,ARIMA模型预测结果平均相对误差分别为4.12%、3.54%、4.97%;在这4种模型中,ARIMA模型平均预测精度最高,在不同时间粒度下这4种模型的预测误差呈现相同的变化趋势,即平均预测误差由大到小的3种时间粒度分别为1 d,30、60 min。因此,时间粒度大小选取的极端化并不会带来短时客流预测效果的直接提升,优化后的时间序列模型在西安地铁全网进站客流量短期预测方面具有较高的精度,研究成果可为城市轨道交通行车组织优化提供技术支持。     

改进的人工神经网络模型在水文序列预测中的应用研究

目前人工神经网络(ANN)技术在水文序列模拟预测中有较多应用.由于径流时间序列往往呈现出复杂的变化过程,直接使用径流序列建立的ANN单变量预测模型大多精度较差而难以满足需要.本文拟从两个方面进行改进,以提高ANN径流量预测模型的精度.首先,根据径流序列的变化规律,滤去序列中的季节性变化趋势,并采用局部多项式拟合求残差方法消除局部波动成分后得到新序列作为ANN模型训练样本,结果表明由此训练得到的ANN模型比未作处理的样本训练得到的ANN模型预测精度明显改善.另一方面,通过消除趋势波动分析(DFA)方法检测径流序列的分形特征并估算其标度区间,选取不同数量的训练样本进行训练得到多个ANN模型,确定模型预测精度最高时的训练样本数,并与标度区间比较,结果表明在标度区间内选取训练样本数可明显提高ANN模型预测精度.这对ANN模型训练样本数的选取有指导意义.