高速公路月度交通量ARIMA预测模型

为避免传统预测方法误差率较大的缺陷,在考虑高速公路月度交通量季节性周期特点的基础上,构建了ARIMA预测模型,并对ARIMA模型识别、模型检验和模型预测进行了系统分析,并应用于某高速公路进行月度交通量预测。应用结果表明:模型预测综合误差率为5.45%,低于灰色模型35.43%的误差率,低于三次指数平滑法的5.65%误差率;ARIMA预测模型能更好地适应于高速公路月度交通量预测。     

图书借阅预测的ARIMA乘积季节模型构建及实证分析

本文研究乘积季节模型在我校图书借阅预测中的应用,通过对我校2007年1月到2009年12月的月度图书借阅数据来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立了我校图书借阅的乘积季节预测模型ARIMA（4,1,1）（1,1,1）^12。对模型进行诊断检验,结果表明,用该乘积季节模型对我...     

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。     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于乘积季节模型的铁路客运量预测

利用中国铁路客运量2005-2016年的月度数据资料,采用乘积季节模型进行建模,对2017年1-6月进行预测;在Eviews和R软件操作下训练与测试数据,分别得到两种乘积季节模型;结果表明:两种软件下客运量的预测误差率均控制在10%以内,两种模型都能较好地预测铁路客运量未来数据的变化情况;通过比较,Eviews建立乘积季节模型,数据分析思维更加严谨,但操作较为复杂,平均预测误差率为4.59%,预测正确率稍低;R软件利用程辑包中相关分析、参数估计与预测函数等,可直接进行分析与预测,操作较为简便,平均预测误差率为3.36%,数据预测正确率较高;通过利用R软件建立ARIMA(2,1,1)×(1,1,1)12模型,此时模型预测精度较好,为预测未来全国铁路客运量变化提供一定的参考价值。     

公路客运量预测方法的比较

科学准确地预测公路客运量,超前掌握公路客运量发展的趋势、特点、规律和数量,是制定公路客运发展和站场配置规划的基础。运用灰色模型、指数平滑模型、回归分析法、弹性系数法等多种预测模型对某城市2003~2015年公路客运量进行了分析预测,通过残差分析和绝对百分误差(MAPE)进行择优,提高了预测精确度。最后采用组合预测确定终值并进行了分析比较。结果表明,组合预测综合考虑了各种因素的影响,能够提高公路客运量预测精度,为公路客运发展提供科学决策依据。     

基于随机波动条件的公交客运量预测模型

针对传统的灰色GM（1,1）预测模型在预测公交客运量中存在误差过大的问题,结合公交客运量随机波动的显著特征,通过对残差序列进行再处理,构造新的数据序列,构建GM（1,1）改进预测模型对公交客运量进行预测,并应用于某城市的2条公交线路客运量预测。结果表明：随机波动条件下的GM（1,1）改进预测模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模后预测的公交客运量的平均相对误差分别为4.9%和5.3%,明显优于传统GM（1,1）模型预测的公交客运量的平均相对误差7.5%和7.45%;相对误差最大值分别降低了4.68%和2.99%。     

加权几何平均组合预测方法在公路客运量预测中的应用研究

对我国公路客运量进行科学、准确的预测,提前掌握客运量的变化发展趋势及规律,是为职能部门制定公路客运发展规划和配置基础设施的基础。提出基于向量投影法的加权几何平均的组合预测模型,并运用该模型对某城市2003－2015年公路客运量进行了预测,预测结果表明该方法具有较好的预测精度。     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量，由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

辽宁省公路客运量预测研究

公路客运量的科学预测对公路的规划建设和管理提供了重要依据,通过对辽宁省2009~2015年公路客运量影响因素进行分析,并充分考虑建模自变量的多重相关性,建立了基于偏最小二乘法改进的预测模型对辽宁省公路客运量进行建模并预测,将预测结果与实测结果进行比较,分析结果表明:利用偏最小二乘回归模型预测相对误差均值为0.91%;相对误差最小值仅为0.30%;最大值为1.17%。     

基于线性神经网络的重庆市GDP发展研究

对1978-2011年重庆市生产总值时间序列进行分析,研究发现四阶差分之后,数据趋于平稳;四阶差分序列的自相关系数一阶截尾,最终建立时间序列ARIMA（1,4,1）模型,并测算残差平方和,但ARIMA模型的残差序列存在自相关,对拟合效果产生了影响;基于时间序列ARIMA（1,4,1）模型研究的基础,进一步采用线性神经网络对序列进行学习和仿真计算,结果表明：神经网络的模拟效果优于ARIMA时间序列的模拟效果.     

竞争优势理论发展综述

在阐述波特钻石理论模型的基础上,主要对卡特赖特的多因素钻石模型,邓宁的国际化钻石模型,鲁格曼和克鲁兹的双钻石模型,乔东逊的九要素模型,穆恩、鲁格曼和沃伯克的一般化双重钻石模型等进行述评,并基于我国金融服务贸易的特点进行模型修正,进而提出了针对我国金融服务贸易的钻石模型。     

河南省2012—2020年交通客运量预测与分析

以1998—2011年河南统计年鉴中列出的河南省历年交通客运量数据为研究对象,运用时间序列模型(指数平滑和ARIMA模型)和非线性回归方法,对河南省2012—2020年的交通客运总量以及各交通运输方式客运量做出预测.预测结果显示:未来几年公路交通客运在河南省仍占主导地位,河南省交通客运总量2012年达到215 219.29万人,其中公路、铁路、民航、水运客运总量分别为204 873.13、9493.39、526.99、313.61万人,2020年客运总量将达到579 099.71万人.     

基于灰色弱化算子理论的我国物流业发展前景预测

论文采用灰色GM（1,1）模型,对我国物流业进行预测。由于我国物流业近期发展较为迅速,在预测时引入了弱化缓冲算子。分别构造灰色弱化算子的物流业总值X1、物流业从业人数X2、客运量X3,和货运量X4的GM（1,1）模型。数据模拟结果表明,运用灰色弱化算子对数据缓冲后预测的结果精度高,从而很好地解决了冲击扰动系统在建模预测过程中出现的定量预测结果与定性分析结论不符的现象。     

民航客运量的ARIMA模型与预测

介绍了求和自回归移动平均(ARIMA)模型的一般表达方式,并提供了使用该模型进行建模和预报的一般过程,最后以某条航线的实测数据为例,进行实证分析,得到了8步的短期预报结果,其相对误差为0．08．     

城镇化建设中的影响因素分析——基于个体固定效应模型

城镇化是社会经济现代化的空间表现形式.本文主要探讨了我国经济增长在城镇化建设中的影响,从经济增长的规模效应和结构效应（产业机构和基础设施建设）两个角度来度量,并以我国1993-2009年省际面板数据为样本,利用个体固定效应模型分别对我国整体城镇化进行了研究,研究表明,对我国城镇化影响最大的是第二产业就业人数比重,其次是第三产业就业人数比重、人均GDP,最后是公路里程与国土面积的比值.     

基于数据驱动的旅游需求预测研究

合理预测景区客流量不仅可以为景区提供参考,更是旅游治理体系和治理能力现代化建设的内在要求。基于九寨沟风景区官网于2012年5月至2021年5月披露的每日客流量数据,运用Python爬取与九寨沟旅游相关的搜索行为数据和九寨沟每日平均气温,构建ARIMA、SVR模型和加入百度搜索指数与日平均气温的LSTM神经网络模型,对九寨沟风景区客流量进行拟合和预测。结果表明,LSTM神经网络模型预测精度高于ARIMA和SVR模型,加入百度搜索指数和日平均气温的LSTM神经网络模型可以显著提升客流量预测精度。     

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GIS和RS技术的高等级公路边坡护坡植被适应性的研究

以涿廊高速公路为例,在GIS的支持下,以2008年Landsat ETM遥感数据和ASTER GDEM为主要数据源,结合气象数据和调查数据,基于主成份分析和层次分析法构建高等级公路边坡植被适应性评价模型进行分析与评价,并根据综合评价结果对研究区的植被适应性进行统计分类。在此基础上,在空间分布上对结果进行定量化分析。结果表明：适应性良好的区域、基本适应区域和基本不适宜用区域所占的比例分别为：49．27％,30．37％和20．35％。在较大尺度范围内,利用GIS和RS技术、基于主成份分析和层次分析法对高等级公路边坡护坡植被适应性的评价是可行的。     

基于心电图进行身份识别的可行性

利用计算机处理心电图图像,得到心电曲线对应的相关数字信息,并对数据进行无重复实验双因素方差分析,验证了人与人之间的心电图是不同的,从而说明基于心电图进行身份识别是可行的.