基于ARIMA-EGARCH模型的交通事故问题的研究

为了更好地掌握交通事故的现状和发展趋势,减少交通事故带来的直接损失和人员伤亡,以1990-2017年的全国交通事故发生起数为研究对象,建立ARIMA(0,1,4)模型进行分析和预测.利用方差齐性检验得残差序列方差非齐性,针对该模型的异方差问题,建立了ARIMA-EGARCH(1,1)模型.最后,以2017年的数据做为考核样本来检验模型的精度,并对2018-2019年的数据进行预测.通过与ARIMA(0,1,4)模型的拟合效果对比可以看出:ARIMA-EGARCH模型的预测结果比ARIMA模型精度更高,误差更小,可以对未来交通事故数据进行更好的预测.     

基于ARIMA模型的国内旅游人数预测研究

以我国1985—2005年各年的国内旅游人数为例,运用计量经济学软件Eviews建立时间序列模型ARIMA(p,d,q),并对未来五年内国内旅游人数做出预测,结果表明预测结果满足精度要求,具有较强的实用性。     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.     

基于多重时间序列模型的城市固定资产投资与GDP的动态关系

针对固定资产投资与GDP动态关系的研究,首先采用Granger Causality Test确定固定资产投资与GDP存在因果关系,建立了固定资产投资与GDP的多重时间序列模型,并用Q统计量检验模型的适应性;对模型分析得出,固定资产投资会推动GDP增长,且具有4~5 a的正向滞后作用;最后,分别应用该模型和ARIMA模型预测厦门市2000—2008年GDP值,结果表明,该模型预测误差比ARIMA模型低8%左右.     

时间序列分析在我国居民消费水平预测中的应用

本文介绍时间序列分析中一种重要的模型——求和自回归移动平均模型ARIMA（p,d,q）的建模方法,基于对我国1970—2008年居民消费水平数据的分析与预测,并用Eviews软件完成建模过程,最后从研究结果得出结论,ARIMA模型是一种具有较高预测精度的短期预测模型。     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

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.     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.     

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。     

组合时间序列方法在长沙人口预测中的应用

选择ARIMA模型作为基本的基因模型。先把时间序列过程分为几代,再应用模糊隶属函数和遗传进化理论求出各代的主导模型,最后通过设计进化过程对时间序列模型进行最优组合。通过这种方法,可以克服很多时间序列模型存在的假定整个动态过程没有结构变化的缺陷。检验结果也表明该模型具有较好的预测效果。     

基于组合模型的三角模糊数预测模型

首先以北京市1994-2006年年平均最低气温、年平均气温、年平均最高气温构建三角模糊数序列的三个界点,出于数据整体性考虑将三角模糊数序列转换成等量信息的三个指标数序列,然后,对三个指标数序列分别构建了时间序列ARIMA模型,灰色预测GM(1,1)模型以及BP神经网络模型,最后在单一模型预测结果的基础上通过引入诱导有序...     

三维环境下的建筑表面太阳能潜力估计

提出一种结合屋顶及立面，考虑天气因素影响的城市级建筑表面太阳能潜力估计方法.以建筑轮廓矢量数据和高度信息为基础，重建三维城市环境；基于射线求交方法、纹理映射和太阳辐射模型计算和渲染建筑表面太阳辐射；利用长期日照时数气象数据和天气校正模型对建筑表面接收的太阳辐射进行辐射校正，并通过气象站太阳辐照度辐射观测数据对校正结果进行有效性验证.结果表明：相关系数r和均方根误差RMSE分别为0.85和0.99 kW·h·m^-2,具有一定的有效性.应用该方法对研究区进行时空特征分析，研究结果可为城市清洁能源利用评估提供方法，为低碳城市的设计和管理提供一定参考.     

乘积ARIMA模型的建立及应用

ARIMA模型作为统计预测中的一种重要模型,被广泛运用于各个领域中。本文在非季节性及季节性ARIMA模型的基础上介绍了乘积ARIMA模型的一般表达式,提供了建立这类模型及使用其进行预报的一般过程,并以某超市月顾客量数据进行了实例分析。分析结果表明,当一时间序列不仅含有季节性成分,还混有非季节性成分时,用乘积ARIMA模型的预测精度较高。但该模型只适用于短期预测。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

永定河流域太阳辐射逐时过程模拟

针对太阳辐射在不同区域地形条件下的差异,通过建立任意倾角和坡面方位角下的太阳辐射逐时模型,模拟了永定河流域1951—2018年的太阳辐射,并分析了该流域太阳辐射在不同倾角和坡面方位角下的变化特征.结果 表明:永定河流域1951—2018年逐年太阳辐射总体呈现减小趋势.任意倾角下,同一站点太阳辐射时变化形态基本一致,均呈抛物线型,不同站点太阳辐射峰值受地理纬度及海拔影响较大.任意坡面方位角下,太阳辐射沿流域中心向东西两向逐渐减少并呈对称分布.太阳辐射年内具有明显的月度变化特征,1—3月、10—12月太阳辐射受倾角和坡面方位角影响较4—9月大.该研究成果对量化太阳辐射、研究流域能量收支及分析陆面蒸发过程等方面具有一定的参考意义.     

组合模型对居民消费价格指数序列的分析及预测

求和自回归移动平均模型(简称ARIMA)及支持向量回归模型(简称SVR)是两个重要且行之有效的分析及预测时间序列的方法.他们都能在一定程度上反映数据所包含的信息且信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型对居民消费指数(CPI)进行了预测,结果显示组合模型提高了指数的预测精度.     

基于ARIMA、BP神经网络与GM的组合模型

为了提高预测模型的精度,给出了一种新的组合预测模型.利用时间序列ARIMA预测模型、BP神经网络及GM灰色预测模型进行单一模型的拟合与预测,通过赋予适当权系数结合三种方法得到了新的组合预测模型.山西省人均GDP预测实例应用结果表明:组合预测模型很好地描述了山西省人均GDP的非线性发展,比单一预测方法具有更高的预测精度.组合模型发挥了这三种模型各自的优势,可以作为人均GDP预测的有效方法,该模型在时间序列的预测中是有效的.     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...