基于时间序列模型的收视率研究

收视率是指在某个时段收看某个节目的目标观众人数占总目标人群的比重,以百分比表示。收视率的高低能够反映出节目的观众喜爱程度以及节目所具有的社会影响力。本文采用2006年中国电视收视年鉴中的全国收视数据,以工作日及节假日收视率为研究对象,利用SAS统计软件做时间序列分析,并进行预测。结果显示,节假日收视率数据能够较好的拟合ARIMA(1,2,(1,4))模型,工作日收视率数据则利用ARIMA(1,2,(1,4))模型和AR(1,4)模型拟合结果都较好,但是相对而言ARIMA(1,2,(1,4))拟合效果最好。     

基于时间序列的中国房地产价格走势预测

本文采用《2007中国统计年鉴》1998年第1季度至2009年第3季度的全国房屋销售价格指数,建立ARIMA模型,并对未来房价走势进行预测。     

基于时间序列的南昌房地产价格指数模型研究

鉴于房地产全国价格指数与实际城市房地产价格相差较大,本文基于自回归积分移动平均模型理论,构造了南昌市1998～2011年共55个季度房地产价格指数数据的理论模型ARIMA(3,2,0),经Box-Pierce检验表明该模型具有95％的概率合理性,为预测南昌市未来房地产价格指数提供参考.     

运用时间序列对上证综合指数进行预测分析

运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国上海证券交易所的上证综合指数作了预测分析，得到了较高的预测精度，为预测股票市场的整体走势提供了一种方便实用的方法。     

基于时间序列模型的预估控制算法

提出一种具有反馈修正的，基于时间序列模型ＣＡＲＭＡ的单值预估控制算法，对这种算法下闭环预估控制系统结构和稳定性进行了分析，对各种预估控制算法的鲁棒性进行了仿真对比。反馈修正的引入，使闭环预估控制系统的鲁棒性有很大的改善，使这种算法更适合于工业应用。     

河南省原煤产量时间序列动态模型研究

本研究以河南省 1949～ 1998年 49年原煤产量的档案资料作为研究材料 ,采用计算机处理模拟出时间序列动态数学模型 45个 ,从中选出 7个最优回归模型 ,并以模型对未来年份原煤产量进行预测。同时绘制折线图、曲线图 7个     

基于SAS的非平稳时间序列分析及实证研究

采用季节指数趋势法,对具有季节变动的非平稳时间序列(以某电脑公司的实际季度销售记录为例),利用统计分析系统SAS进行分析,并对该公司2009年的销售情况进行了预测.与公司2009年度前三个季度的实际销售数据进行对比,拟合效果令人满意,证明该方法实用有效.     

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.     

基于时间序列的市场需求预测模型研究

在研究时间序列预测模型的基础上,提出了组合预测模型,并对模型参数进行了优化处理.用于预算未来某时期内市场供求趋势,从而为企业的决策提供依据.     

一类时变时间序列模型的参数估计研究

根据对一类时变时间序列模型结构特点的研究,提出了一种时变ＡＲ模型的递推参数估计算法。其原理是将时变参数的估计转化为对状态方程的状态估计,采用卡尔曼滤波推导出参数估计递推公式,并研究了其渐近稳定的充分条件。     

房地产价格指数与居民消费水平的动态回归分析

以SAS软件为工具,对郑州市2009年5月至2013年5月新建住宅价格指数序列和居民消费价格指数序列进行协整分析,分别拟合了动态回归ARIMAX模型和误差修正ECM模型.ARIMAX模型显著有效,揭示了居民消费价格指数对新建住宅价格指数的影响系数达到1.014 73,预测结果显示,郑州市的房价近期仍呈上升态势,上涨幅度维持在1%左右.ECM模型拟合效果不理想,说明房价受短期波动的影响很小,对房地产市场的调控漫长而复杂.     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

房地产的价格模型及其投资的最优时机选择

建立了一个随机条件下房地产价格的离散化模型,对以盈利为目的的房地产买卖投资时机决策问题进行建模研究,给出最优买入卖出的停时分析及相应的最优报酬函数.     

基于时间序列分析的应用服务器性能衰退模型

针对JUFrame应用服务器老化情况，设计了多种类型的客户请求程序和服务器端程序，记录了各种参数共计5类36个．对影响应用服务器中间件性能的主要指标“内存利用率”，采用时间序列分析方法建模，经采样数据的统计分析得出了自相关函数明显拖尾、偏自相关函数明显截尾的结果．模型的仿真结果表明，预测值与原始数据拟合良好，且可作为系统再生的依据，它适用于预测实际的运行系统．与其他软件老化预测方法比较，所提模型更切合系统的实际运行状况，有利于提高系统的可用率．     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

基于混沌时序重构的股票价格预测研究

应用非线性映射迭代模型，采用小波理论来辨识混沌模型中的参数，并通过对混沌时序进行预处理，可得到较好的预测结果。采用小波网络对非线性映射迭代模型中的参数进行辨识，辨识的准确程度较高，采用该模型对上海证券市场600063号股票的开盘和最高价格数据进行了建模和模型参数辨识，并据此做出相关预测，得到了满意的预测结果。     

基于重标极差分析法研究城市住宅销售价格指数

针对住宅销售价格时间序列的特征问题,文中对长春市的住宅销售价格指数进行了时间序列研究,利用重标极差分析法计算其赫斯特指数,得出城市住宅销售价格指数具有多重分形结构,并有长久记忆性.     

基于神经网络的时序预测模型研究

将神经网络作为传统的时序线性模型的非线性推广进行了分析,论证了多层前向神经网络与非线性自回归模型及反馈神经网络与非线性自回归移动平均模型的等价意义,提出了一种可作为非线性时序模型的内反馈神经网络．     

基于位置子市场划分的房价贝叶斯概率模型

针对方案属性值为Vague值且考虑专家评分可信度的多属性群决策问题,提出了一种基于Vague集模糊熵和D-S证据理论的多属性群决策分析方法。该方法充分考虑各专家给出的Vague值评价信息中所蕴含的模糊性与不确定性,借助模糊熵来获取与专家自身意见相匹配的评分可信度序列,其完全由数据驱动,弥补了传统方法对可信度主观统一设定的不足。首先,基于各专家原始决策矩阵获得各属性下的Vague集模糊熵,以构建与专家集相对应的评分可信度矩阵;其次,对经可信度调整后的各专家决策矩阵使用证据合成进行信息集结,利用Vague集记分函数并经可信度调整得到属性权重;最后,将专家群体集结信息经属性权重加权修正后算出各方案最终的Vague评价值,进而使用记分函数获得各方案综合得分,筛选出最优方案。利用证据理论在不确定信息融合方面的优势和Vague集记分函数的信息转化功能,通过证据合成和记分函数集结专家群体的评价信息,所得出的决策结果更加客观、合理,并通过一个具体算例验证了所提方法的可行性和有效性。