基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

基于时间序列的灰色预测技术在估产模型中的应用

在建立估产模型过程中，引进基于时间序列的灰色预测技术，通过对样本点建立基于时间序列的灰色预测模型和常规的多元线性回归气象模型的分析比较，试图找到一种计算简单，数据要求少而精度较高，时效性较好的建模方法，为时间序列预测在农作物估产方面的应用作出一点探索。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

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。     

陀螺随机漂移的神经网络预报方法研究

针对惯性导航系统中陀螺仪的漂移特性,在时间序列分析及神经网络理论的基础上提出了一种时间序列神经网络结构,并采用此种网络模型对某捷联惯导系统中所用的陀螺仪漂移数据进行了预报。预测结果表明,这种预测方法对于陀螺漂移建模及预报是可行的。     

短时间序列集的一种预测调和方法

由于互联网以及大数据产业的高速发展,各行业产生了大量的短时间序列数据。因此,对这些数据进行分析进而预测其未来趋势成为了重要的生产和管理的手段。短时间序列以单个序列的观测数量少为特征,是时间序列分析的一个难点。如果预测对象是短时间序列数据集,就可以利用其总量的预测值去调节各分量的预测值。文章提出了一种时间序列的预测调和方法,并通过此方法去调节ARIMA模型对一个短时间序列数据集的建模预测结果,与ARIMA的预测结果相比,调和后的预测精度得到了提高。     

基于Box-Jenkins方法的中国年度GDP时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国1966-2006年的年度GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARMA模型,本文也通过模型对中国2007-2010的年度GDP进行了预测.模型实证分析的结果表明:在GDP时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

沪深A股综合指数的时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国沪、深A股综合指数的2000～2009年月收盘数据序列进行建模分析,验证了沪、深A股综合指数月收盘数据的时间序列特性,研究并选择了这两个序列的最佳ARMA模型,本文也通过模型对2010年的综合指数进行了预测.模型实证分析的结果表明：在股市综合指数时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

基于时间序列分解与全连接神经网络的警情长周期时间序列预测

传统的警情时间序列预测以实际的发案数量为目标,且仅能实现短期的预测,但由于警情时间序列本身固有的强随机性使预测很难达到理想的效果。根据警情时间序列数据的特点,从公安工作的实际需求出发,提出了一种基于时间序列分解与全连接神经网络的(STL-FNN)预测模型,该模型以预测警情的单日发案的风险等级为主要目标,能够实现警情风险等级的长周期预测。利用该模型对B市侵财类警情数据进行了时间序列长周期预测的实证分析,结果表明:STL-FNN模型能够实现一年的警情单日发案风险的预测,平均准确率为0.624 7,预测性能优于Holt-Winters、LSTM、Prophet和ARIMA等模型。     

机场道面使用性能的动态自回归预测模型

针对我国机场道面性能观测时间短,观测数据少,使用现有模型预测精度低,不能根据观测值动态更新预测模型等现状,提出了将卡尔曼滤波应用于时间序列预测的方法,建立了动态自回归预测模型,进行机场道面使用性能的预估.选取我国华东某机场的实测道面状况指数为基础数据,进行时间序列建模,应用卡尔曼滤波算法实现时间序列模型参数的实时更新,分析模型的预测效果.时间序列数据较少时,难以建立高精度的自回归模型,通过卡尔曼滤波处理建立的动态自回归预测模型精度明显提高.     

污染数据半参数回归模型中的强相合估计

同删失数据一样 ,在实际工作中经常遇到一些关于污染数据的统计分析问题 .对于删失数据已得到了一系列较为深刻的结果 ,但对污染数据问题的研究却不多 .污染数据回归模型是生物统计中常用的模型 .考虑一类污染数据半参数回归模型 ,建立了模型的参数、回归函数和污染系数的估计 ,并在适当条件下证明了它们具有强相合性 .     

动态三次指数平滑法及应用实例

传统的指数模型多用于处理线性趋势的时间序列,本文在此基础上建立了可以处理非线性时间序列数据的动态三次指数平滑模型.以拟合值与源数据误差的平方和为评价指标,通过使得该指标最小来计算最优时间序列系数,建立三次动态指数平滑模型.评价指标类似于评价函数,对模型自动评价,从而提高模型的适应能力,提高模型的计算精度.通过对实际时间...     

桂林市旅游人数的时间序列预测模型

采用一阶自然对数差分和一阶季节差分来数学处理桂林市月旅游人数时间序列的季节性和波动性趋势,并依据1999年1月～2006年8月桂林市月旅游人数数据,建立桂林市旅游人数的时间序列预测模型,并将该模型与实际数据进行拟合和预测,结果表明该模型与实际数据的拟合性好,预测得到的数据与实际数据误差较小,可以实际用来预测未来日旅游人数的基本趋势,为管理和市场决策提供参考.     

新的灰色关联度模型的构造及其应用

根据灰色绝对关联分析模型基本思想,构造一种叫做最小零点像的新关联算子,对灰色绝对关联度模型进行改进后得出新的灰色关联度模型并讨论其性质.实例表明,新的灰色关联度模型能客观实际地反映数据序列的发展态势,具有一定的实用性.     

动态数据系统的时间序列建模策略

传统的基于相关性分析方法进行建模的局限性和"危险性"主要表现在:估计的样本自相关是非常坏的估计,经常会有大的方差,彼此之间是高度相关的,可能给出原来序列结构一个完全失真的图像,不能较准确和全面地反映系统特性。提出了基于动态数据系统的时间序列建模方法,将时间序列看作是随机系统对不相关的或相互独立的"白噪声"输入响应的一种实现方式。对平稳时间序列,以自回归滑动平均模型为基本模型,并以额值为1递增拟合,用F检验判断拟合的改善程度,最后用残差分析判断模型的适用性。对非平稳序列,需先分离出确定性趋势,对剩余平稳随机部分建模分析。用该方法对隧道位移监测数据建模分析,预测与实测吻合较好,表明该方法具有适用性好、精度高且便于编制程序实现等优点。     

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。     

一种基于CPFR的订单预测方法研究

协同规划、预测与补货(Collaborative Planning Forecasting and Replenishment,CPFR)强调零售商与供货商共同合作建立一个供应链的预测方式,其中协同预测阶段又分为订单预测与销售预测.以订单预测阶段为研究对象,归纳出协同合作下订单需求的影响因素作为模型的解释变量,然后结合传统时间序列与多元回归分析,建立了基于CPFR的订单预测模型.最后将该预测模型应用于国内某公司的订单资料.验证结果表明所提出的订单预测方法比传统使用单一时间序列方法的预测结果精度更高.     

裂纹木工带锯条横向振动位移的扩展分析与预测

为给木工带锯条在线故障诊断提供技术依据,利用时间序列分析理论和Eviews 8.0软件,系统分析MJ3210型跑车木工带锯机产生裂纹缺陷后的带锯条横向振动位移数据;建立时间序列模型,预测、分析裂纹扩展下带锯条的横向振动位移变化,得到与实际数据比较吻合的结果.研究结果充分说明时间序列分析可以成为带锯条裂纹研究与预测的一个新方法.     

引入时变递增因子的加权等维新息模型及预测

从灰色系统理论入手 ,针对已发生的时间序列的一组变形观测数据 ,按其可靠性随时间成正比例变化的特性 ,引入时变递增因子来定权 ,并及时更新数据 ,用最新的数据替换老的数据 ,建立等维新息模型 ,以保证原始数据对模型的作用 ,使模型更能反映实际 .实例计算分析表明 :该模型样本需求量小 ,计算简单 ,能动态地反映出系统的时变特性 ,并使预测精度得到有效的提高