基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于时间序列分析的独居老人活动量研究

为解决独居老人日常生活的监护问题, 提出一种基于时间序列分析与模糊模式识别的独居老人活动量研究方法。该方法将独居老人的日常活动量作为对独居老人生活状况监测的有效指标, 并利用时间序列分析对活动量时间序列建立预测模型, 利用模糊模式识别法鉴别活动量监测值与活动量预测值之间的差距, 当两者之间的差距超过正常范围时, 将预警信息反映给老人的监护人, 以便监护人对老人的生活状态是否异常予以关注。实验结果表明, 该方法对老人异常状态的识别准确率为96. 97%。从而为老人生活状况的研究提供了一种新的方法和途径。     

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。     

季节性变动影响下的上海港集装箱吞吐量预测

港口吞吐量精准预测对于每一个港口的成功经营和有效决策都十分重要.季节性波动经常会影响港口吞吐量,为了更为准确地预测上海港口集装箱吞吐量,本文选取2007年至2012年上海港母港集装箱吞吐量的月度数据,并对于港口集装箱吞吐量的月度数据中出现的季节性波动进行了处理,采用季节时间序列模型对其进行预测.为了说明方法的有效性,以同样的数据,使用整自回归移动平均模型对上海港集装箱吞吐量进行预测.两种方法预测结果进行对比发现,利用季节时间序列模型对港口集装箱吞吐量季节性进行处理,能够提高港口集装箱吞吐量的预测精度.     

基于ARIMA的电力视频流量分析和预测

针对电力视频业务的流量特性,提出一种基于差分自回归移动平均(ARIMA)模型的电力视频业务流量分析和预测方法.首先利用差分法对视频流量数据进行平稳化处理,然后依据数据序列的自相关函数和偏自相关函数确定模型参数,从而建立能够有效预测电力视频业务流量的分析模型.仿真实验表明,该方法充分考虑了电力视频业务流量的自相似性、周期性、突发性及趋势性等特点,有效提高了流量预测拟合的精度.     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

Exploring Survey‐Based Inflation Forecasts

This paper first shows that survey‐based expectations (SBE) outperform standard time series models in US quarterly inflation out‐of‐sample prediction and that the term structure of survey‐based inflation forecasts has predictive power over the path of future inflation changes. It then proposes some empirical explanations for the forecasting success of survey‐based inflation expectations. We show that SBE pool a large amount of heterogeneous information on inflation expectations and react more flexibly and accurately to macro conditions both contemporaneously and dynamically. We illustrate the flexibility of SBE forecasts in the context of the 2008 financial crisis. Copyright © 2011 John Wiley & Sons, Ltd.     

我国国债收益率的预测与评价

由于我国的债券市场被人为地分成交易所市场和银行间市场，不同的国债投资主体被限制在不同的国债流通市场进行交易，因此国外的债券收益率的理论和模型并不能完全的适用于中国现状。目前，我国相关的主要研究大都针对某个特定的市场或某种特定的方法，缺乏一种完整的收益率模拟方法和评价体系，其一般仅对其中一个市场进行收益率的波动性分析，本文对交易所国债收益率建立ARIMA—TARCH模型并进行预测，预测评价指标和误差分析指标表明其具有很高的精度和预测能力。     

ARIMA模型在研究油气田产量递减规律中的应用

阿尔浦斯模型不能很好地提取随机性信息,而ARIMA模型恰好可以改进这一点。本文应用ARIMA模型对位于英国北海的Brae East油田的产量数据进行了拟合及预测。结果表明,这种方法是有效和实用的。     

A nonparametric method for asymmetrically extending signal extraction filters

Two important problems in the X‐11 seasonal adjustment methodology are the construction of standard errors and the handling of the boundaries. We adapt the ‘implied model approach’ of Kaiser and Maravall to achieve both objectives in a nonparametric fashion. The frequency response function of an X‐11 linear filter is used, together with the periodogram of the differenced data, to define spectral density estimates for signal and noise. These spectra are then used to define a matrix smoother, which in turn generates an estimate of the signal that is linear in the data. Estimates of the signal are provided at all time points in the sample, and the associated time‐varying signal extraction mean squared errors are a by‐product of the matrix smoother theory. After explaining our method, it is applied to popular nonparametric filters such as the Hodrick–Prescott (HP), the Henderson trend, and ideal low‐pass and band‐pass filters, as well as X‐11 seasonal adjustment, trend, and irregular filters. Finally, we illustrate the method on several time series and provide comparisons with X‐12‐ARIMA seasonal adjustments. Copyright © 2010 John Wiley & Sons, Ltd.