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。     

自相关过程的多变量统计过程监控

探讨了一种基于时间序列自相关移动平均(ARIMA)模型的自相关过程的多变量统计过程监控方法.以神经网络为基础建立预测模型,计算残差值,采用Hotelling's T21控制图进行监控,结合MYT分解法进行故障诊断.并模拟受控和失控状态的具有自相关的多变量过程,运用常规控制图和残差控制图对案例进行了分析比较,说明了本文方法的有效性.     

基于时间序列分析的电容器退化模型

针对高温下电容器电容值下降的问题,基于差分自回归移动平均(ARIMA)模型及分数阶自回归移动平均(ARFIMA)模型,引入时间序列分析法预测电容值的退化轨迹.对于ARIMA模型,当电容器的退化过程服从Wiener分布时,利用过差分预判法(OPM)预判原时间序列的过差分阶数;根据单位根检验、自相关及偏自相关函数的计算结果确定经过一阶差分后的时间序列的平稳性.对于ARFIMA模型,利用重标极差法判定退化数据是否具有长期记忆性;通过最小准则及极大似然法估计模型阶数及其相关参数值.最后,通过残差检验验证OPM-ARIMA及ARFIMA模型在提取有效信息与准确预测两方面的能力,并进一步分析了这两种模型的可行性与有效性.     

空间线性组合模拟模型及其实证

空间分布的模拟精度与采用的模型密切相关.针对具有空间自相关时空数据的空间分布模拟问题,将时空数据看成为时间序列数据与横截面数据的组合,分别建立横截面数据一阶空间自回归[SAR(1)]模拟模型和克立格(Kriging)方法模拟模型,时间序列数据的遗传神经网络(GABP)模拟模型,在这些模型研究的基础上建立空间线性组合模拟(SLCS)模型.应用这些模型对2002年福建部分县市人均GDP水平空间变异进行实证模拟研究,结果表明空间线性组合模型模拟效果较好.     

基于多元时间序列的交通流预测模型

交通流预测是智能交通系统的一项重要研究内容。本文考虑路网的复杂性,使用多元时间序列模型建模,针对贵阳市省医路口2016年4月上下游交通流数据:首先建立ARIMA模型,采用Ljung-Box方法对模型效果进行检验,模型未能通过显著性检验;然后根据车辆的基本通行规律,构建多元时间序列ARIMAX模型,第一步利用主成分回归建立上下游交通流回归模型,第二步对模型残差进行ARIMA建模,得到的ARIMAX模型能够通过LB检验;最后利用预测误差绝对值均值和预测误差百分比绝对值均值进行模型性能评价,构建的ARIMAX模型均优于ARIMA模型。     

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题，开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法，建立具有时序动态分析能力的产量差分自动回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA），得出预测初始值与真实油井产量的残差；通过构建支持向量机（Support Vector Machine，SVM）时序预测模型进行残差修正，获得油井产量组合预测值；并将长短期记忆网络（Long Short-Term Memory，LSTM）模型与上述方法进行对比。实验表明，组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准，为油井产量的动态预测提供了一种有效方法，可作为油井在生产计划时的快速实时辅助依据，具有实用价值。     

时间序列模型在婴儿潮分析中的应用

本文利用时间序列分析线性模型中求和自回归移动平均模型(ARIMA)和统计学软件SPSS,选用1947-2014年新生儿人口数据为参考数据序列,通过参数检验与残差分析验证ARIMA模型在人口预测分析上的可靠性.模型的拟合与实证分析说明时间序列分析在人口预测问题上的有效性,可对中国婴儿潮做短期预测.本文还对2015年到2030年新生儿人口数进行统计分析,预测第四次婴儿潮的到来.这将给社会计划生育、教育、交通等方面提供重要参考数据.     

中国能源消费的时间序列分析

对1978-2010年中国能源消费总量进行时间序列分析,采用时序分析的ARIMA模型和Autoregressive模型对其拟合建模,并对这两类模型的拟合效果和预测效果进行了比较.模型的残差检验和参数显著性检验结果表明模型是适用的,同时表明中国能源消费总量存在短期自相关性,并在短期内还将保持较快的增长速度.     

流动性风险的探讨与实证分析

首先对流动性时间序列进行特征分析,根据时间序列自相关和偏相关的特点建立相应的自回归移动平均模型。用LM检验模型的残差是否存在异方差现象;为了很好的描述丛集性的特征,建立了ARMA（1,1）-ARCH（1）模型;然后再对模型的残差做删和Q统计量的检验,来解释模型的合理性。最后,根据所建的模型求出条件异方差,进而计算流动性风险值。     

湖北省人均 GDP 的 ARIMA 模型及预测

介绍求和自回归移动平均模型ARIMA（p,d,q）的模型拟合方法,利用SAS统计软件实现模型的拟合。采用时间序列分析方法,对湖北省1978～2013年人均GDP的数据进行分析。通过对数据平稳性检验、模型参数检验、白噪声检验等分析,建立了ARIMA（1,1,0）时间序列模型,并对未来十年的湖北省人均GDP数据进行预报。     

基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

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。     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

GDP时间序列的ARIMA模型研究

在经典计量经济学建模过程中,通常假定经济时间序列是平稳的,而且主要以某种经济理论或对某种经济行为的认识来确定计量经济学的模型理论的关系式.然而在经济领域中,许多时间序列数据不是由平稳过程产生的,基于此,研究了国内生产总值GDP随时间位移而持续增长的特性,确定了模型的自回归阶数,建立了ARIMA模型,并对ARIMA模型进行了检验,确定了模型的平稳性与模型自回归影响的持久性.     

基于主成分分析和动态神经网络的时间序列预报

本文提出一种基于主成分分析（PCA）和动态神经网络的多变量时间序列预报方法,并对具体实例建立多变量时间序列模型。仿真实验结果表明该网络具有很强的学习能力和泛化能力,适合进行非线性时间序列预报。     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

时间序列分析的历史发展

阐述了时间序列分析的发展历程：早期自然科学主要应用单纯的描述性分析;差分、指数和滑动平均等基本概念推动了统计性时序分析的发展;以Fourier级数为基础的周期图方法是频域分析的核心内容;时域分析经过了从AR（2）模型、AR（4）模型→AR（s）模型＋MA（h）模型→AR-MA（s,h）模型→ARIMA模型→ARCH、ARCH族模型的漫长过程.     

基于游程判别法和VMD残差修正的风电功率预测

为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解（VMD）残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSAL...     

面向精细化管理的停车需求短时预测

停车诱导系统（PGS）是缓解交通拥堵的有效办法,但停车需求短时精准预测作为空余车位发布的关键技术并没有得到有效解决。利用停车需求时变特征曲线的线型稳定性,以及在周内各工作日间的振幅的显著差异性对数据进行分组,采用不仅具备记忆时间序列数据能力,同时有着更简洁的逻辑门控制结构的GRU（gated recurrent unit）模型对停车需求进行短时精准预测,发现相比于传统神经网络以及ARIMA模型,在考虑停车需求周内日间差异性并对数据进行分组后的GRU模型能提供更高的预测精度。     

基于MNN的主动力装置故障诊断研究

单神经网络诊断大多已成功应用到实际的故障诊断系统中。而在实际应用中,多层次多故障的复杂系统普遍存在,运用单一结构神经网络在处理复杂故障诊断问题时网络过于庞大,诊断精度降低。对层次分类诊断模型进行研究分析,提出运用多重结构神经网络(MNN)来对主动力装置进行故障诊断研究,诊断结果表明该模型是可行和有效的。