基于自适应自回归模型的非线性流量负荷预测

针对新一代移动数据业务(MMS,KJAV,WAP)具有复杂的非线性特性和不平稳特性,采用鲁棒Kalman滤波算法,提出了一种自适应自回归滑动平均模型(AARMA),并将其应用于移动数据业务负荷预测中。实际预测结果表明,即使是对变动大且不稳定的移动业务流量,自适应ARMA模型稳定,预测精度高,且预测误差的白噪声特性明显。     

基于改进自回归移动平均算法的能耗预测

本文针对经验模态分解算法与自回归移动平均算法两种结合模型(EMD-ARMA)预测数据准确度不足的问题,运用经验模态分解算法(EMD)、自回归移动平均模型(ARMA)和多项式拟合模型三者相结合的方法对小样本电能能耗数据进行预测,最终提高预测结果的准确度.本文首先利用经验模态分解算法对原始能耗数据样本进行分解,提取该能耗样本不同频率的特征分量(IMFx);然后设定频率阈值,针对高频分量和低频分量建立不同的拟合模型;最终将分量预测结果进行合成,得到总体预测结果.仿真结果表明,EMD-ARMA模型的平均绝对误差1.984 2,本文模型的平均绝对误差1.616 8,提高了预测结果的准确度.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于奇异谱分析的上证指数预测模型

该文应用奇异谱分析(SSA)的方法,对一维时间序列--证券指数,构造延迟矩阵,运用时间经验正交函数(EOF),对原序列进行重构,有效地提取序列中隐含的波形信号;利用自回归移动平均模型(ARMA模型)对原序列和重构结果分别进行预测,并进行比较.     

基于ARMA-GARCH模型的上证指数短期预测研究

将在处理金融数据易变性方面具有优势的广义自回归条件异方差模型(GARCH)和在平稳时间序列数据预测方面具有优势的自回归移动平均模型(ARMA)相结合,提出ARMA-GARCH预测模型。以2007年10月08日到2011年11月4日997个上证指数收盘价格为样本对综合预测模型进行估计,并用随后五天的上证指数收盘价对综合预测模型进行检验。检验表明模型有效地刻画了上证指数的短期变化。     

中国社会消费品零售总额的预测模型

用自回归、移动平均、自回归移动平均模型(ARIMA)拟合分析2002年1月到2008年8月中国社会消费品零售总额,建立预测消费品零售总额的疏系数乘积季节模型,并用该模型预测2008年6~10月的社会消费品零售总额和2009年月度消费品零售总额.模型预测误差率都在0.03以内,估计值与真实值吻合,拟合效果能达到预期的目的.     

基于自回归移动平均过程的贝叶斯质量控制方法研究

针对自回归移动平均过程中控制变量的观测值并不具有相互独立性,引入贝叶斯分析方法研究过程质量控制问题.通过模型结构的贝叶斯分析,利用残差序列建立了基于自回归移动平均过程的贝叶斯质量控制模型,解决了观察数据相关条件下的过程质量监控问题.仿真分析结果表明:贝叶斯ARMA质量控制方法能够有效地避免了在受控状态下使用常规控制图造成的漏发或虚发报警现象,解决了自回归移动平均过程情况下的质量控制问题.     

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.     

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。     

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.