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。     

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.     

基于多重时间序列模型的城市固定资产投资与GDP的动态关系

针对固定资产投资与GDP动态关系的研究,首先采用Granger Causality Test确定固定资产投资与GDP存在因果关系,建立了固定资产投资与GDP的多重时间序列模型,并用Q统计量检验模型的适应性;对模型分析得出,固定资产投资会推动GDP增长,且具有4~5 a的正向滞后作用;最后,分别应用该模型和ARIMA模型预测厦门市2000—2008年GDP值,结果表明,该模型预测误差比ARIMA模型低8%左右.     

运用ARIMA模型对我国三大产业增加值变动规律进行分析

通过运用ARIMA模型对我国改革开放以来三大产业的增加值变动规律进行分析,旨在探究我国产业结构发展变化的状况是否与世界各国的一般规律相符;此外,通过建立ARIMA模型,探知三大产业增加值的变动是否与其自身有关。     

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。     

ARIMA模型在同业拆借利率预测中的应用

中国银行间同业拆借利率（CHIBOR）是我国货币市场上最早市场化的利率,文章选择隔夜拆借利率为研究对象并建立ARIMA模型对其进行短期预测，并取得了理想的短期预测效果，从而确定了适合我国同业拆借市场的利率预测模型．研究结果不仅可以帮助金融机构对金融产品合理定价，防范风险，也可以帮助央行准确估计CHIBOR走势，达到既定货币政策目标。     

Forecasting time series with increasing seasonal variation

Four options for modeling and forecasting time series data containing increasing seasonal variation are discussed, including data transformations, double seasonal difference models and two kinds of transfer function-type ARIMA models employing seasonal dummy variables. An explanation is given for the typical ARIMA model identification analysis failing to identify double seasonal difference models for this kind of data. A logical process of selecting one option for a particular case is outlined, focusing on issues of linear versus non-linear increasing seasonal variation, and the level of stochastic versus deterministic behavior in a time series. Example models for the various options are presented for six time series, with point forecast and interval forecast comparisons. Interval forecasts from data-transformation models are found to generally be too wide and sometimes illogical in the dependence of their width on the point forecast level. Suspicion that maximum likelihood estimation of ARIMA models leads to excessive indications of unit roots in seasonal moving-average operators is reported.     

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.