基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(P，d，0)模型结构的时间序列分析方法，提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计，采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验，结果表明：减小遗忘因子可以提高一步预测的性能。此外，将该算法分别应用于工作日和双休日的数据时，仿真实验都取得了较好的预测效果，说明该算法对不同交通流状况具有较好的适应性。     

分数阶ARIMA模型的参数估计与预测

用极大似然估计和回归分析法给出分数阶ARIMA模型ARIMA(p，d，q)中参数d的估计，并根据d的大小，对时间序列进行了趋势预测，得到了最优线性预测公式。     

时鲜农产品价格预测的ARIMA时序模型构建与应用

掌握农产品价格变化规律,了解农产品价格变化趋势,将有利于正确引导农产品流通和农业生产,实现农产品区域供求平衡;能为政府和农户提供结构调整的依据,有效提高农民效益。针对农产品价格这一重要问题的研究,以南京市青椒价格为例,构建非平稳时间序列ARIMA(p,d,q)模型(ARIMA:Auto Regressive Integrated Moving Average,自回归求和平均),描述并预测时鲜农产品价格的动态变化。结果表明ARIMA(0,1,1),(0,1,1)模型能很好地模拟并预测时鲜农产品价格,为农产品市场信息的准确预测提供重要方法。图6,表3,参8。     

我国猪肉消费需求量集成预测——基于ARIMA、VAR和VEC模型的实证

猪肉消费需求量预测对稳定猪肉消费市场具有重要意义. 通过建立ARIMA、VAR和VEC模型, 利用Granger因果检验筛选出显著影响因素, 分别预测我国猪肉消费量. 最后, 基于动态集成预测方法对三种模型的预测结果进行综合集成. 通过对2009-2011年我国猪肉消费需求量预测, 实证结果表明样本外集成预测精度更高, 更稳定.     

基于灰色模型与LSTM网络的旋转机械轴承寿命预测

大型机械设备中旋转机械占到总量的80％,为及时掌握其工作状态,开展如何旋转机械轴承的寿命预测精度的仿真研究.首先,通过可靠性数值(confidential value,CV)量化评估工作状态;然后,利用数据变换和累加积分的方法优化数据平滑性与背景值来改进灰色模型;并与长短时记忆网络结合为新预测模型来预测系统工作状态;最...     

基于小波分析的非平稳时间序列分析与预测

提出了基于小波变换的非平衡时间序列分析预测方法。通过小波分解,将原时间序列依尺度分解成不同层次,使趋势项、周期项和随机项分离,对每一层进行分析与预测,最后再合成得到了原时间序列的预测值。实例验证了该方法是可行的。     

非线性模型预测控制的智能算法综述

从非线性模型预测控制的预测模型建模和最优化问题求解两方面入手,介绍了近年来基于智能模型和智能优化算法的非线性系统预测控制方法,并对各种算法的特征进行了总结评述,指出了智能非线性预测控制方法存在的问题和未来的发展方向。     

基于模型预测的微电网频率协调控制策略

针对风力发电接入微电网后产生的频率波动问题,提出了一种基于模型预测控制(model predictive control,MPC)的微电网频率协调控制策略,将风机和插电式混合动力汽车plug-in hybrid electric vehicle,PHEV)纳入频率控制体系,通过对风机的浆距角与PHEV的充放电进行控制,...     

D-FNN模型对中国FDI的预测

建立了动态模糊神经网络模型,并运用此模型对中国经济产生深远影响的FDI进行了预测。结果表明D-FNN在预测精度上表现优异,具有一定的实用性。     

基于径向基函数神经网络的燃料电池温度非线性建模与预测

针对现有的熔融碳酸盐燃料电池（MCFC）模型过于复杂的弊端，本文应用RBF神经网络辨识方法建立了MCFC的温度非线性模型。简要分析了MCFC电堆的温度特性，讨论了应用RBF神经网络进行多输入／多输出非线性系统建模的主要问题，并详细给出了其辨识结构，算法和模型训练方案，应用仿真对建模的有效性和建模精度进行了检验，并与BP神经网络辨识的效果进行了对比，仿真结果证明RBF神经网络远比BP神经网络收敛得快，应用RBF神经网络辨识方法对MCFC电堆建模是可行的，它避免了用复杂的微分方程组来描述MCFC，通过神经网络可快速地得到其输入同特性，它为MCFC温度的在线预测和在线控制奠定了基础。     

基于乘积ARIMA模型的产品不确定性需求预测

为对不确定的市场需求进行有效预测,可运用SAS系统中的TimeSeriesForecastingSystem,基于乘积求和自回归平均滑动模型(ARIMA),对产品销售的时间序列数据进行预测。先对原始数据或变换后的数据作简单差分或季节差分,把时间序列化为平稳的时间序列,进行参数的初估计,然后进行多次拟合并最终确定模型,根据SAS估计结果,可得到预测偏差。对预测结果在营销管理和供应链管理中的应用进行了分析,取得了较好的效果。     

一类新的时序预报模型

对时间序列的一类新的建模与预报方法进行了研究 ,把灰色模型与自回归时序 AR模型组合建模 ,通过实例分析取得好的效果 .     

结构时间序列模型在季节调整方面的应用——与X-12季节调整方法的比较分析

建立一种基于结构时间序列模型的新的时间序列季节调整方法.首先,利用ARIMA模型研究时间序列的结构,根据序列的单整阶数(d)建立趋势循环分量的表达式,并在此基础上构建不同形式的结构时间序列模型.在结构时间序列模型中,针对经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量,不能利用回归分析方法求解模型,因此,采用状态空间形式来求解模型.最后,利用结构时间序列模型对我国国内生产总值(GDP)和社会消费品零售总额等宏观经济时间序列进行了季节调整,并与目前广泛使用的X-12季节调整方法进行对比分析,实证结果表明,基于结构时间序列模型的季节调整方法具有相对较强的稳定性.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

神经网络在预测中的一些应用研究

预测是一个很难的研究课题,近来利用新的科学理论探索新的预测方法是预测界人士进行预测课题研究的一个重要方面．其中人工神经网络在预测领域中的应用研究进展最快,它包括研究神经网络预测方法和神经网络在预测过程中作为辅助工具．本文介绍几种主要的神经网络预测方法及其应用和利用神经网络确定ＡＲＭＡ 模型的结构．     

烟台地区土壤温度变化特征及预测模型研究

根据烟台某一气象站提供的2003年与2005年气象资料及土壤温度数据,对此地区土壤温度的变化特征及其预报模型进行了研究。结果表明：各个土层土壤温度变化规律基本一致,1月份土壤温度最低,到7月份达到最高值,同时也表现出土壤温度年变化振幅随深度增加而减小的规律。基于气象因子的多元回归模型对深层土壤温度预测精度不够理想,而BP人工神经网络模型（ANN-BP）相比多元回归模型则能显著提高预测精度,是一种良好的土壤温度预测模式。     

基于专家知识的模糊时间序列预测模型及应用

将投资专家的成功经验引入模糊时间序列模型,实现股票市场走势的多步预测。根据专家经验构造多个反映市场结构特征的变量并将其模糊化为模糊时间序列;建立具有多前件、高阶模糊关系的模糊时间序列预测模型;最后,将该模型用于股票指数预测。结果表明,与经典模糊时间序列模型相比,其预测精度有了较大提高。     

油田压裂井增油量的预测及其生产规划的优化设计

利用现有压裂井产油观测数据，采用动态数据处理方法，建立了月增油量的预测模型；依据预测结果，利用整数规划的方法，规划设计未来年度油田的压裂井数及压裂方式。