利用样条函数建立季节性时间序列的预测模型

用B样条函数最小二乘法的非参数回归与时间序列相结合的方法建立了季节性时间序列预测模型. 利用滑动平均估计季节项,再利用B样条函数非参数回归估计长期项和周期波动,对于随机项建立ARMA模型,最后对某产品需求量进行了实例分析. 结果表明该方法有较高的预测精度.     

太阳黑子数平滑月均值的混合预测模型

提出一种太阳黑子数平滑月均值的混合预测模型.通过最大Lyapunov指数得到太阳黑子数平滑月均值时间序列的最大可预测周期,结果表明太阳黑子数平滑月均值序列的最大可预测周期为42个月.太阳黑子数平滑月均值时间序列中包含着线性与非线性的成分,利用自回归滑动平均模型对线性成分进行预测,将太阳黑子数平滑月均值的实际值与自回归滑动平均模型的预测值作差值得到仅含有非线性成分的残差序列,利用具有良好非线性预测能力的回声状态网络预测残差序列,并通过人工蜂群算法来确定回声状态网络预测模型的最佳参数.将自回归滑动平均模型预测值与回声状态网络预测的残差相加,得到太阳黑子数平滑月均值的最终预测值.通过第23太阳活动周的太阳黑子数平滑月均值的预测表明提出的预测模型具有较高的预测精度.同时,对第24太阳活动周的太阳黑子数平滑月均值进行了预测,结果表明第24太阳活动周将在2020年2月结束.     

基于小波多分辨分析的线性预测

提出了一种对非平稳时间序列预测的新方法.通过小波多分辨分析把某些非平稳间序列分解若干层近似意义上的平稳时间序列,然后再用自回归模型对每层的单支重构信号进行预测,最后综合每层的预测值可得到原时间序列的预测值.仿真实验表明了该方法的优越性.     

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。     

基于小波的回归-GARCH模型及其在外汇储备中的应用

结合小波变换、多项式回归和GARCH模型对中国的外汇储备进行分析及预测.首先利用db4小波对数据进行去噪处理,并对去噪后的数据建立多项式回归模型.由于去噪后的数据与回归模型之间存在残差,且残差具有自回归条件异方差效应,故对该残差建立GARCH模型.然后将回归模型和GARCH模型进行线性叠加,从而得到基于小波分析的回归-GARCH模型.最后将预测值与实际值进行拟合,发现拟合效果较好.充分证明了小波变换、多项式回归和GARCH模型相结合的方法在处理外汇储备这类具有明显增长趋势的非平稳时间序列时,具有明显的优越性,是一项有用的分析预测工具.     

非平稳随机信号ARMA模型时变参数与其WVD的关系

研究了非平稳随机信号自回归滑动平均（ＡＲＭＡ）模型时变参数与其对应的离散ＷＶＤ以及ＡＲＭＡ模型时变参数与连续ＷＶＤ之间的关系，使ＷＶＤ可以用ＡＲＭＡ模型的时变参数表示，计算机仿真结果验证了理论推导。     

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.     

雷达测量误差的自回归分布滞后建模与仿真

利用雷达的光测和误差数据，采用带变量滞后影响的自回归分布滞后模型（ADLM）与自回归条件异方差模型（ACHM），联合对雷测误差建模，刻画了雷测误差的统计特征，并对拟合优度及预测精度2方面，以及求和与分解这2种常用的非平稳时序模型进行了比较.结果显示，在该类雷测误差建模中，ADLM与ACHM的混合模型具有更高的拟合优度及预测精度.     

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

基于自回归滑动平均模型的玛纳斯河洪水预报

水文预报作为重要的防洪非工程措施,对位于高寒山区的玛纳斯河流域防汛抢险、水利工程建设和调度具有重要意义.通过对玛纳斯河水文系统的分析,确定出影响玛纳斯河径流量的主要因素,建立了玛纳斯河流域流量预报的自回归滑动平均ARMA(p,q)模型,对肯斯瓦特水文站实测径流过程进行了预测检验.结果表明,自回归滑动平均模型对实测年径流量有很好的逼近拟合效果,相对误差很小,ARMA(p,q)模型用于径流量预测有较高的精度,是可行的.     

一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法

提出了一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法。采用Hilbert-Huang变换将原时间序列分解成若干个平稳的固有模态函数分量,求出每一个固有模态函数分量的瞬时频率和瞬时幅值,然后对每一个固有模态函数分量的瞬时频率和瞬时幅值序列建立ARMA模型,最后通过合成得到原时间序列的ARMA预测模型。实验结果表明,此方法可有效地应用于非平稳时间序列的预测。     

灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

The Study of a New Method for Forecasting Non—stationary Series

A new method for forecasting non-stationary series is developed.Its steps are as follows.Step 1.Data delaminating.Non-stationary series is delaminated into several multi-scale steady data layers and one trend layer.Step 2.Modeling and forecasting each stationary data layer.Step 2.Imitating trend layer using polynomial.Step4.Combining the forecasting layers and imitating layer into one series,The EMD(Empirical Mode Decomposition) method suitable to preocess non-stationary series is selected to delaminate data,while ARMA(Auto Regressive Moving Aver age)model is employed to model and forecast stationary data layer and least square error method for trend layer regression.Aiming at forecasting length,forecasting orientation and selective method,experiments are performed for SAR(Synthetic Aperture Radar) images.Finally,an example is provided,in which the whole SAR image is restored via the method proposed by this paper.     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

基于小波分析的铁矿石运价预测

在分析了小波分析对铁矿石海运价格非平稳数据序列预测优势的基础上,介绍了多分辨率分析理论和奇异性检测,借助于MATLAB和EVIEWS软件,建立自回归移动平均（ARMA）和Holt-Winters非季节组合模型,对经过处理的高频和低频数据进行静态和动态预测.预测结果表明,小波分析在非平稳时间序列预测方面具有很大的优势.     

一种基于变结构加权的时间序列预测模型研究?

基于文献提出的优化权重方法,针对存在单个离散变结构下的时间序列预测问题,提出了一种变结构加权的ARMA模型.该方法利用优化权重对时间序列变结构前的数据进行调整,形成了新的时间序列,然后再对这个新的时间序列建立ARMA模型进行预测.蒙特卡罗模拟显示,该方法对存在单个离散变结构的时间序列具有较好的预测效果.实证结果表明中国股票市场的日收益率存在明显的变结构现象,并且在预测中运用加权ARMA模型能够明显改善预测效果.     

基于ARMA与BP神经网络模型的产品质量安全风险预测

主要通过对产品伤害人数的预测来表征产品质量安全风险。依据产品伤害人数的时间序列数据,建立较为稳定的ARMA模型和BP神经网络模型对产品伤害人数做出了科学的预测;并对两种预测方法进行了实证结果比较与分析,为管控产品质量安全风险提供方法支持。     

Lorenz系统混沌解序列可预报性的统计检验

利用Lorenz简化热对流模式产生了吸引子区域内的混沌解序列，对截取的序列进行了乎稳性和正态性检验．按照3种情形分别选取样本，并应用统计预报中的ARMA模型、多元线性回归模型、多项式回归模型和均值生成函数模型等作出项报。比较分析表明：所选取方程组产生的混池解序列，呈现非周期、非乎稳、非正态特性等极不规则的分布，导致几种统计模型对于两个不稳定平衡状态间的不确定的突变情形基本失去了预报能力，系统行为几乎无法预测，其根本原因在于系统的混沌特性。但在某一不稳定平衡状态内，序列段呈现振幅不断放大的准周期振荡，具有一定的规律性，几种统计模型预报的效果较好，说明在应用统计方法进行预报的前提下，系统行为存在着局部时段的有限的可预报性。     

基于时序分析与神经网络的能源产量预测模型

实际生产系统中存在大量时间序列问题，为了研究系统的结构和规律，我们需要建立时间序列模型，对其进行预测和分析。目前时间分析方法多采用AR或ARMA模型，但由于实际问题错综复杂，导致模型求解困难，实际中难以应用。为了解决上述问题，首先分析了生产系统时序分析的基本原理，利用BP神经网络建立了时序—神经网络模型，然后利用该模型对能源产量进行了预测。通过预测结果的分析可看出，该模型具有利用方便、动态性能好、预测准确性高等优点，在实际中具有一定的实用价值。     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。