时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

基于Box-Jenkins方法的中国年度GDP时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国1966-2006年的年度GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARMA模型,本文也通过模型对中国2007-2010的年度GDP进行了预测.模型实证分析的结果表明:在GDP时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

沪深A股综合指数的时间序列分析建模与预测

通过基于Box-Jenkins方法的时间序列分析技术,对中国沪、深A股综合指数的2000～2009年月收盘数据序列进行建模分析,验证了沪、深A股综合指数月收盘数据的时间序列特性,研究并选择了这两个序列的最佳ARMA模型,本文也通过模型对2010年的综合指数进行了预测.模型实证分析的结果表明：在股市综合指数时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

基于ARMA-TS-GARCH有限混合模型的交通数据分析

基于对时间序列数据进行研究时不仅需要对它们的自回归性和周期性进行分析,而且需要对序列的方差与长期性无规则波动进行分析等问题,提出基于ARMA模型和APARCH模型的ARMA-TS-GARCH模型,并且对该模型的构造进行分析,针对洛杉矶长滩地区交通量数据进行模型参数估计和诊断检验,将此模型与GARCH和ARMA-GARCH模型进行比较。研究结果表明:ARMA-TS-GARCH模型对数据的拟合要优于ARMA模型和APARCH模型;用ARMA-TS-GARCH模型对数据集进行预测,所得结果较理想。     

河流水质模拟预测的统计建模研究——以湟水河小峡桥断面为例

以湟水河国控断面—小峡桥为例,基于Box-Jenkins方法的时间序列分析技术,对2009~2012年主要污染物月度数据进行建模分析,验证了污染物数据的时间序列特性,研究并选择了这四个序列的最佳ARMA模型,本文也通过模型对2013年的水质进行了预测,并与实际数据加以比较检验。模型实证分析的结果表明:在河流水质模拟预测方面,ARMA模型是一种精度较高且切实有效的方法模型.     

基于Box-Jenkins方法的银行业市盈率时间序列建模与预测

基于Box-Jenkins方法的时间序列分析技术,利用SPSS软件对平安银行市盈率数据进行时间序列分析,综合各种条件确定了最佳ARMA模型.最后利用所建模型对平安银行市盈率进行了预测.实证分析的结果表明:Box-Jenkins方法及其模型在银行业市盈率时间序列分析建模与预测方面,具有较高的精确度和可行性.     

时间序列在变形监测中的应用

详细介绍了时间序列的基本原理以及时间序列建模中的数据预处理、模型选择、模型定阶、模型参数的确定及模型的可靠性等建模步骤,并给出了时间序列的预报公式.最后用时间序列分析处理了某市的某-边坡沉降观测数据.通过对结果的分析,得出时间序列分析用于简单的时序预测具有较好的效果,9期预测误差的绝对值均小于0.18 mm.其建模过程...     

基于溶解氡数据和长短期记忆网络的地震预报

溶解气氡浓度异常为可靠地震前兆,通过对历史观测数据进行建模,预测溶解气氡未来趋势,是快速检测溶解气氡浓度异常、研究震-氡机制的前提。溶解气氡浓度数据为典型的时间序列数据,传统的时间序列预测技术主要为自回归(AR)方法和自回归滑动平均(ARMA)方法。这些方法以线性方法为主,其拟合精度有限。采用目前最流行的深度学习技术长短期记忆(LSTM)模型对姑咱地震台、西昌地震台和雅安地震台一段时间内连续观测的溶解气氡日观测数据集溶解气氡浓度数据进行建模,采用90%的数据作为训练数据训练LSTM网络,10%的数据作为预测数据,采用均方根误差评价指标来评价模型的效果。在三种数据集上,LSTM的预测误差均方根误差均明显低于AR和ARMA方法。该结果表明,LSTM的预测精度高于传统的AR、ARMA方法。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

旅游客流量预测的模糊时间序列模型--以黄山风景区为例

以黄山风景区1979－2004年的年度旅游人数数据为训练集,运用模糊聚类算法客观地分割论域,然后建立了一种模糊时间序列的加权模型以充分利用观测样本的初始信息。通过对传统的模糊时间序列模型与基于模糊聚类算法的加权模糊时间序列模型两种预测结果均方误差的比较,可见基于模糊聚类算法的加权模糊时间序列模型不但具有更高的预测精度而且也具有更好的稳定性。