成都市城区空气污染指数的时间序列分析

根据成都市城区2001～2005年的大气污染监测资料,获取和分析成都市空气污染指数.采用时间序列分析方法,对空气污染指数建立自回归滑动平均模型模拟实测的空气污染指数,并对模拟结果进行了检验.结果表明:成都市空气污染状况具有夏季较好、其他季节较差的季节性变化规律.采用时间序列分析大气污染状况是可行性的.     

基于时间序列的流域氟化物预测模型研究

采用时间序列分析方法拟合具有趋势性和季节性的流域水体中氟化物含量并进行预测.利用清水江流域2013—2018年的每月氟化物监测数据,用差分和季节差分方法对监测数据进行平稳化,采用ARIMA乘积季节模型(p,d,q)(P,D,Q)s拟合序列,应用残差和BIC进行模型参数调整,建立氟化物时间序列预测模型,并对测试集月均氟化...     

时间序列在地下水位预测中的应用

本文利用时间序列建立了一个趋势回归模型、虚拟参数的季节模型和时间序列分析的统计预测模型.该模型能够很好地分离出时间序列中的趋势成分,且能够很好地刻画它在各个年度周期内部光滑的季节成分.该文将地下水位统计数据进行了消除趋势成分及消除季节影响的处理,再将新得到的数据进行平稳化、零均值化处理,并利用时间序列的自相关函数、偏自相关函数的性质,最终确认了适当的时间序列模型.以北京市1990~1994年共60个月份的地下水位统计数据为实例进行分析,确定此模型为ARMA(1,4)模型.通过对数据的计算,可预测出北京市1995年地下水位值.     

旅游收入时间序列预测——以秦皇岛市为例

采用时间序列动态模型、求和自回归滑动平均模型、延迟因变量自回归模型预测秦皇岛旅游收入时各有优劣。用平均绝对百分比误差、均方根误差和均方根百分比误差三个指标来评估这三个模型,发现求和自回归模型的预测能力最好,并由此提出增加秦皇岛旅游收入的关键措施：导入区域旅游模式,提升旅游服务质量,加强旅游产品促销等。     

浙江省人均GDP时间序列模型的建立与预测

人均GDP是各级政府和学术界经常使用的主要指标之一,科学预测人均GDP有着十分重要的意义.文章建立了浙江省人均GDP的时间序列模型,并预测了2008-2012年浙江省人均GDP的发展水平,说明了浙江省经济将在未来4年继续保持高速发展.     

交互影响的时间序列联立方程模型及其应用

对时间序列向量自回归模型进行了改进,提出了一种新模型(交互影响的时间序列联立方程模型).对新模型滞后阶数的确定、解释变量的选择、参数的估计进行了阐述.最后,通过实例进一步论述了新模型的有效性.     

时间序列联立方程模型及其应用

给出时间序列联立方程模型,并以我国经济现状为研究对象,用时间序列联立方程和向量自回归两种模型对1996年形势进行模拟,预测1997年冬季度经济指标的发展情况,并对两种模型的结果进行对比分析．     

时间序列分析的历史发展

阐述了时间序列分析的发展历程：早期自然科学主要应用单纯的描述性分析;差分、指数和滑动平均等基本概念推动了统计性时序分析的发展;以Fourier级数为基础的周期图方法是频域分析的核心内容;时域分析经过了从AR（2）模型、AR（4）模型→AR（s）模型＋MA（h）模型→AR-MA（s,h）模型→ARIMA模型→ARCH、ARCH族模型的漫长过程.     

非平稳和长记忆时间序列主频率估计方法研究

许多经济时间序列表现出非平稳性和长记忆性，对这样的序列进行谱分析并估计其主频率，采用传统的谱分析方法已不适用，基于平稳和非平稳分数阶差分自回归滑动平均模型，研究了具有非平稳性和长记忆性序列的主频率的估计方法，同时提出了包括模型定阶在内的基于极小化残差平方和的近似极大似然参数估计算法。通过对上海和深圳证券交易所综合指数收益序列的分析，说明了此方法的可行性和有效性。     

基于智能集成粒子群算法的时间序列数据挖掘研究

针对单一算法在处理复杂时间序列数据时存在缺陷以致无法挖掘全部信息的问题,提出了智能集成架构,给出了四种集成结构,并分析了它们的适用情况。针对一类随机噪声干扰的时间序列数据,采用并联嵌套建模结构,提出嵌套双种群粒子群算法的自回归滑动平均(ARMA)模型,用于挖掘数据中的随机性趋势;提出基于概率密度控制(PDF)的最小二乘支持向量机(LSSVM),用于挖掘数据中的确定性趋势,两种模型并联补集成实现对数据信息的充分挖掘。通过一组实验验证了所提方法的效果。     

时间序列模型在我国财政收入分析中的应用

利用全国1978年至2005年间的28个财政收入数据,选择四个时间序列模型和一个混合指数函数—AR模型进行拟合。依据AIC准则、BIC准则和MAPE准则分别对模型预测精度进行评价,选择恰当模型。以2006、2007和2008年的数据作为检验数据验证模型的预测效果,进一步证实ARMA模型预测效果较好。     

中国人均GDP的时间序列模型的建立与分析

人均GDP是人们了解和把握一个国家或地区宏观经济运行状况的有效工具．本文在介绍时间序列模型的基础上,结合1952-2006年的中国人均GDP数据值,应用SPSS软件对数据进行了兮析,建立了中国人均GDP的时间序列模型．文章详细介绍了模型建立的整个过程,并由此模型时中国2007-2010年中国人均GDP的数值进行了预测．这对我们从宏观上了解中国经济的发展状况,为国家制定科学合理的经济发展战略具有重要意义．     

基于时间序列的区域物流网络演化模型的实证分析

为探究区域物流网络产生发展过程的内在规律,首先分析了区域物流网络结构的演化机理、过程和阶段.然后,借鉴评估产业集中度的赫芬达尔指数和区域分布非均衡系数两个参数,构建区域物流网络的时间序列演化模型,以此为工具分析区域物流网络内物流量在各节点分布的离散度和均衡性,从而揭示了物流网络演变及物流枢纽产生的过程.最后,以湖北省为例分析了其演化过程和状态,结果表明武汉物流区域中轴辐式物流网络结构明显,而荆宜和襄十两个物流区域处于低水平的均衡状态.     

符号化时间序列分析

对于符号化时间分析方法,给出了已知的国外应用状况和文献出处.对如何将时间序列转化为符号序列,即信号符号化问题,通过最简单的二进制划分及其配套图形作了简要说明.给出了二进制划分下符号树结构及其Shannon熵计算方法,讨论了时延τ、符号集大小Ns和树层数(符号序列长度)对Shannon熵等统计量的影响.叙述了符号序列编码方法和符号序列直方图的作用;提交了进行符号时间序列分析的计算机流程图.图5,参23.     

混凝土碳化深度随机时间序列预报模型

抛开多因素回归的研究方法,根据碳化速度系数序列自相关函数和偏相关函数载尾和拖尾的变化规律,对水灰比ｍ（Ｗ）／ｍ（Ｃ）∈「０．４０,０．６５」的混凝土碳化深度采用随机时间序列方法进行分析,确定了碳化深度的ＡＲＩＭＡ（１,１,０）预报模型。经检验,该预后模型精度高、规律性好、应用范围广。     

基于季节性时间序列模型的林业产值预测分析

【目的】针对林业产值预测,提出一种基于季节性时间序列的方法,为林业部门制定合理规划提供重要依据。【方法】对林业产值序列采用CH检验方法检验其平稳性,考虑序列的周期性和趋势性特点,建立基于季节性时间序列的林业产值预测模型,并与传统的GM(1,1)模型进行对比分析。【结果】与传统的GM(1,1)模型相比,季节性时间序列模型不仅可以预测以年度数据为单位的经济序列,而且可以预测以季度数据和月度数据为单位甚至是每日数据为单位的经济序列,且具有更高的预测精度。【结论】季节性时间序列模型可有效地预测林业产值的周期性和趋势性,且可大幅度提高预测精度,可用于林业部门对林业产值的预测和规划。     

矿井涌水量时间序列的频谱分析及应用

阐述了频谱分析方法的基本原理 ,分别计算了矿井涌水量和降雨量的自谱以及它们的互谱 ,给出了隐含周期的检验方法和谱平滑的一般方法 .研究实例表明 ,频谱分析能较好地确定矿井涌水量时间序列的周期性和相关关系 ,为揭示矿区地下水系统的内在机理、矿井涌水量预测及控制提供定量依据 .图 3,参 5     

基于时序长记忆模型的风电场短期功率预测

随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响。为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测。     

时间序列的局部影响分析

目的研究时间序列模型中一次性探测所有异常点和强影响的方法。方法局部影响分析方法。结果时间序列模型中各数据点之间存在着一定的相关结构,这种相关结构使得异常点和强影响点产生的机理及相应的分析变得复杂。克服了数据删除对时间序列样本数据相依性的破坏和忽略。得出时间序列模型影响曲率的具体计算公式,从而可以一次性探测出所有的强影响点。最后给出了具体的数值实例,说明了文中结论的有效性。结论此方法可以一次性探测出所有的强影响点,与数据删除法相比,大大简化了计算量。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.