基于C语言的平稳时间序列线性模型识别的数值解法分析

从基本概念出发介绍平稳时间序列线性模型的相关内容,并结合数值分析的经典算法,利用C语言实现了平稳时间序列线性模型识别的数值解法.这种方法运算效率较高,在工程实践中移植性较强,对进一步研究平稳时间序列的线性模型有较大意义.     

全国人口时间序列模型预测研究

对1949—2010年全国人口时间序列数据进行了分析,并建立自回归移动平均模型(ARIMA).通过对数据的平稳性检验、模型识别与参数估计、模型检验等综合分析,确立了ARIMA(2,1,1)模型.仿真结果显示,该模型可以用来做短期预测.     

ARIMA模型及其实证

河南省生猪价格序列是一组依赖于时间变化的随机变量,可用ARIMA模型予以近似描述。基于此,运用2005-2015年河南省每月生猪价格数据,得到ARIMA(1,1,1)模型,经诊断检验与实证检验发现,模型预测精度较高,可用于河南省生猪价格预测。     

基于人民币升值广义事件窗的美元/人民币汇率风险评价

本文选取了近两年来美元/人民币的日汇率样本作为广义事件窗中的样本信息,以2005年7月21日这一日期为时间分界点.分别研究人民币升值前后即广义事件窗中该汇率的各种统计特性,利用非线性时间序列模型的方法,分别对汇率的收益率序列建立合适的模型,用以分析人民币升值前后汇率风险水平的变化,即汇率风险评价.     

我国保险公司保费收入的时间序列预测

采用时间序列分析方法,分别对我国保险业两大主要保险公司——中国人寿和中国人保公司寿险和财险业2004年8月～2010年8月的保费收入数据进行建模分析,建立了ARIMA乘积季节模型,并利用所建模型进行预测,结果显示,该模型有较好的预测效果,为我国保险公司保费收入的监管和使用提供了理论参考.     

基于ARIMA模型的杭州市PM2.5预测

选取2017年1月1日至2017年12月31日PM2.5的日均浓度的时间序列作为样本数据,利用Box-Jenkins的建模理论,建立符合杭州市的PM2.5浓度变化的ARIMA(4,1,2)模型.利用2018年1月1日~2018年1月5日的PM2.5浓度的预测值与实际值相比较,结果表明ARIMA(4,1,2)模型预测效果较好,适用于杭州市PM2.5的预测.     

基于分层有限状态机的时间序列数据挖掘与预测方法

针对非平稳非线性时间序列的数据挖掘与预测问题,提出一种基于分层有限状态机的预测方法 .首先,将时间序列构建成有限状态机(FSM)模型,将时间序列的相对序列模式作为状态.然后,构建一种层次模型,通过关联特定模式形成中间状态,并以递归方式对模式进行分组,以此解决长序列造成的过度训练问题.最后,通过梯度下降法结合所有有限状态(FS)预测器的输出,生成最终预测结果 .实验结果表明,该方法能够对时间序列进行有效的规则挖掘,具有较高的预测精度.     

基于EEMD和ARIMA模型的汽轮机故障趋势预测

由于汽轮发电机转子振动状态监测数据具有非线性和非平稳性,采用普通时间序列预测模型时预测的精度较低。研究通过分析振动信号的频率成分,融合EEMD分解平稳化处理和ARIMA预测模型的思想,建立一种混合预测模型。结果表明:该方法能够适应振动状态监测数据特征,反映了振动状态的主要变化趋势,具有较高的预测精度以及更大的应用范围,其预测趋势对进一步进行振动状态分析具有一定的参考价值。     

利用ARFIMA模型研究金融时间序列

应用分数差分自回归滑动平均模型即ARFIMA模型,研究金融时间序列:通过对外汇市场日元/人民币汇率数据的实证分析,得出结论:汇率日收益卒序列不存在长期相关性,而汇率日绝对收益率序列存在显著的长记忆性.     

时间序列分析模型在甘肃省GDP中的应用

以甘肃省1978年-2008年31个年度的GDP为例,根据ARIMA模型,通过识别、估计、诊断等过程,结合统计软件Eviews对其变化情况进行了实证分析,得到了误差较小、短期预测较为准确的满意结果.     

ARIMA组合模型在地区降水量预测中的应用

传统的ARIMA模型和马尔科夫模型在降水量预测中具有一定的偏差和不稳定性,为此建立了基于加权马尔科夫链修正的ARIMA组合模型.阐述ARIMA模型,并讨论了加权马尔科夫链修正预测值的方法.在此基础上,构建出基于加权马尔科夫链修正的ARIMA组合模型,将其应用于地区降水量的预测中,并利用相关数据进行实证分析.将组合模型和传统ARIMA模型的预测结果进行对比,结果表明,加权马尔科夫链对ARIMA模型预测结果的修正效果较好,从而说明组合模型的适用性更强.     

SAS软件在变形监测数据分析中的应用

SAS软件是世界公认的权威统计分析软件之一,其SAS/ETS(时间序列分析)模块编程语言简洁,输出功能强大,分析结果精确。本文运用SAS/ETS模块,以三峡地区滑坡变形监测数据为时间序列建立求和自回归移动平均(ARIMA)模型,并作出分析及预测,结果表明能达到较好的拟合效果和预测精度。     

水电站入库流量的灰色自记忆预测方法研究

运用灰色系统理论与数据序列自记忆性原理相结合的方法,提出了数据序列预测的灰色自记忆模型,并应用于年径流量及汛期来水预测.山西沁河曹河水电站年径流及汛期径流预测的实例表明,该模型能处理非平稳数据序列并反映动态数据序列的极值趋势,可提高预测精度.     

商业银行人民币贷款规模分配及盈利问题

研究商业银行的贷款模式有利于商业银行合理的分配资金,使得资金利用最大化,规范银行经营模式.同时商业银行贷款模式的调整会影响地区经济发展状况,对平衡各地区经济发展具有重要意义.针对商业银行人民币贷款规模分配及盈利问题,运用多元线性回归模型、时间序列模型、季节模型、灰色预测模型、线性规划等分析了银行存贷关系,综合分析了商业银行经营模式,给出了该行贷款规模的分配方案,并对模型进行了改进,结合实际对银行给出了合理化的建议.     

基于季节性ARIMA模型的入境旅游市场预测模型构建

基于1999～2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)~(12)模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施.     

非平稳MDP平均模型的ε(≥O)-最优策略存在的充分条件

本文考虑的是状态和行动空间均为一般集的非平稳MDP平均模型.本文采用扩大状态空间的方法,给出了非平稳MDP平均模型的最优方程有解及其ε(≥0)-最优策略存在的几组充分条件,推广了有关平稳MDP平均模型的结果,尤其是Hernandez—Lerma(1989)等的结果.     

基于ARIMA模型的FreeBSD内核进化预测分析

FreeBSD内核进化有较明显的超线性趋势和内在规律科学地预测软件进化,找到一种简易又有足够精度的预测方法是管理软件工程的一项重要基础性工作以FreeBSD的62个内核版本数据作为时间序列,用ARIMA模型建模,并做出FreeBSD进化预测,将预测结果和近期发布的FreeBSD内核进化实际结果进行对比,预测结果令人满意,表明该类模型可以用于FreeBSD进化预测     

GPS坐标序列ARMA模型在桥梁索塔形变监测中的应用研究

针对运营期大跨径公路桥梁索塔易受承重、风力和太阳辐射等外界因素影响而发生变形的问题,研究了基于时间序列分析的桥梁索塔变形预测方法,将基于高阶差分的非平稳时间序列平稳化处理方法以及基于自动搜索定阶法的自回归ARMA模型阶数确定应用于桥梁索塔GPS坐标时间序列处理。以苏通长江公路大桥南塔2018年全年GPS监测数据作为研究对象进行试验,通过自动搜索定阶后的ARMA模型预测苏通大桥南塔2019年1—3月的索塔变形值,结果表明苏通大桥南塔预测值曲线起伏总体上与实测值的曲线起伏保持一致,且预测值与实测值的差异优于4 mm,但预测数据与实测数据之间的相关性随着预测天数的增加而逐渐减弱,此时可根据最新获得的监测数据重新建立模型对索塔进行变形预测。     

韶关市PM_(2.5)影响因素分析和预测研究

随着人们生活水平的不断提高,环境问题已成为备受关注的热点话题,其中最为突出的就是PM_(2.5)造成的雾霾天气.因此对环境中PM_(2.5)产生的影响因素进行分析和浓度的预测研究显得非常必要.从韶关市环境气象官方网站和天气网收集了2014-10-01至2015-05-31的相关数据,并对原始数据进行相关性分析、主成分分析和独立成分分析,建立多元回归模型,研究分析了PM_(2.5)与其他影响因素之间的关系.结合时间序列改进简单的回归模型,得到向量自回归平均模型.经过比较检验,认为向量自回归平均模型是最为理想的预测模型.     

基于滑动窗口的时间序列数据流分析与预测技术研究

数据流管理与分析的研究是目前国际数据库领域的一个研究热点,数据流上回归分析是一项非常必要而有意义的工作.结合数据流的特征,研究了时间序列数据流的回归分析与预测技术,以及一元线性回归方程的聚集技术,给出了时间序列数据流上的一元线性回归分析模型.在此基础上,提出了一种数据流上的预测模型.最后,试验分析展示了研究结果能够有效地产生时间序列数据流的回归模型和实现数据流未来数据的预测.