基于乘法ARIMA模型的公路客运量预测

在收集了2004-2007年我国公路客运量月度数据的基础上,进行时间序列分析,建立了我国公路客运量月度数据的求和自回归移动平均（ARIMA）模型。分析结果显示：与常用的多项式曲线预测模型和灰色预测模型相比,模型ARIMA（2,1,2）（1,1,1）12有更好的预测效果,可以用于我国公路客运量月度数据的短期预测。     

河南省2012—2020年交通客运量预测与分析

以1998—2011年河南统计年鉴中列出的河南省历年交通客运量数据为研究对象,运用时间序列模型(指数平滑和ARIMA模型)和非线性回归方法,对河南省2012—2020年的交通客运总量以及各交通运输方式客运量做出预测.预测结果显示:未来几年公路交通客运在河南省仍占主导地位,河南省交通客运总量2012年达到215 219.29万人,其中公路、铁路、民航、水运客运总量分别为204 873.13、9493.39、526.99、313.61万人,2020年客运总量将达到579 099.71万人.     

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.     

Box-Jenkins法在广西GDP预测中的应用

利用Box-Jenkins方法对1950至2004年广西国内生产总值进行了分析,建立了ARIMA模型,检验结果表明该模型有较好的预测效果.并把广西全社会固定资产投资额作为回归项引入到ARIMA模型中,由此建立了ARIMAX模型,从而进一步提高了模型的预测效果.     

公路客运量预测方法的比较

科学准确地预测公路客运量,超前掌握公路客运量发展的趋势、特点、规律和数量,是制定公路客运发展和站场配置规划的基础。运用灰色模型、指数平滑模型、回归分析法、弹性系数法等多种预测模型对某城市2003~2015年公路客运量进行了分析预测,通过残差分析和绝对百分误差(MAPE)进行择优,提高了预测精确度。最后采用组合预测确定终值并进行了分析比较。结果表明,组合预测综合考虑了各种因素的影响,能够提高公路客运量预测精度,为公路客运发展提供科学决策依据。     

广州市公路客运线路客运量的预测

公路客运量的预测对于公路客运的管理和决策具有重要意义。本文研究了利用重力模型预测2005年和2010年广州市公路客运线路客运量的方法,并给出了主要线路的预测和分析结果。     

基于ARIMA模型的国内生产总值预测

本文通过对1952年以来的各年度GDP数据进行数学建模,利用ARIMA模型对年度GDP进行了预测。实验结果表明：ARIMA模型对GDP年度数据预测的一步预测相对误差可以保持在3%以内,具有较高的预测精度。     

基于乘积季节模型的铁路客运量预测

利用中国铁路客运量2005-2016年的月度数据资料,采用乘积季节模型进行建模,对2017年1-6月进行预测;在Eviews和R软件操作下训练与测试数据,分别得到两种乘积季节模型;结果表明:两种软件下客运量的预测误差率均控制在10%以内,两种模型都能较好地预测铁路客运量未来数据的变化情况;通过比较,Eviews建立乘积季节模型,数据分析思维更加严谨,但操作较为复杂,平均预测误差率为4.59%,预测正确率稍低;R软件利用程辑包中相关分析、参数估计与预测函数等,可直接进行分析与预测,操作较为简便,平均预测误差率为3.36%,数据预测正确率较高;通过利用R软件建立ARIMA(2,1,1)×(1,1,1)12模型,此时模型预测精度较好,为预测未来全国铁路客运量变化提供一定的参考价值。     

基于ARIMA模型的人民币汇率预测与分析

对2015年8月11日汇改之后的人民币兑美元汇率进行分析,建立ARIMA(14,1,0)模型,残差检验证明该模型是合理的。利用模型ARIMA(14,1,0)对2016年3月10日至2016年3月23日的人民币汇率进行预测,预测结果基本接近实际值,相对误差控制在0.5%以内,并且前5天的平均误差为0.2%。预测结果再次表明,ARIMA(14,1,0)模型完全适用于美元/人民币汇率的建模,特别是对短期范围内汇率的预测是切实可行的。     

ARIMA模型在设备故障预测中的应用

介绍了ARIMA建模的理论与方法,将SPSS统计软件中Time Series模块应用到设备故障预测中去.以机械的故障率为研究对象建立ARIMA(p,d,q)模型,并利用实际生产数据进行验证,取得理想结果,为企业制定合理的维修计划提供有效的决策信息.     

交通流的季节ARIMA模型与预报

使用季节ARIMA模型对交通流进行建模及预报为高速公路交通状况分析、道路设施建设、公路效益评价及控制策略设计等提供了一种可靠的方法和途径。介绍了具有周期的季节ARIMA模型的一般表达方式，并提供了使用这一模型进行建模和预报的一般过程。最后以某高速公路的实测数据为例，进行实证分析，得到了72步的长期预报结果，其相对误差为0．13。     

基于LOGIT和系统动力学的客运专线运量预测模型

客运专线运量预测对于制定旅客列车开行方案起决定性作用. 针对客运专线的特点,分析了不同层次旅客的出行需求,建立了系统动力学模型,并对郑西客运专线日客流量进行预测. 通过与近年该客运专线客流结果比较分析,发现模型预测结果与实际客流以及LOGIT预测结果非常接近,验证了模型在运量预测方面的合理性.     

基于季节ARIMA模型的电力负荷建模与预报

电力负荷是影响电网寿命和可靠度的一个重要因素，将季节ARIMA模型引入电力负荷的建模及预报，为电力资源分配的宏观调控及电网改造提供了一种可靠的方法和途径，文中用频谱分析的方法检验电力负荷的季节性并求出一个周期；介绍了具有一个周期的季节ARIMA模型的一般表达方式，并给出进行建模及预报的一般过程，以天津市华苑小区的电力负荷为例，进行了季节ARIMA模型的建模及预报。     

基于ARIMA模型的我国GDP短期预测

国内生产总值(Gross Domestic Product,简称GDP)常被公认为衡量国家经济状况的最佳指标,因此对GDP的预测越来越受到政府和公众的关注.由于影响GDP的因素有很多,而且这些因素间又常常存在多重共线性,所以准确找出影响GDP的重要因素并进行建模比较困难,而且经济数据常常是自相关非平稳的,因此本文采用ARIMA模型来拟合1991年到2010年的GDP数据并预测GDP.结果表明ARIMA(1,1,1）能较好拟合GDP数据,预测表明我国经济发展势头良好.     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。     

基于Modflow和ARIMA 模型的峰峰矿区岩溶地下水模拟及预测

为科学有效地了解峰峰矿区岩溶地下水的均衡状态和用水规划实施后未来(2018～2025年)地下水动态变化,通过构建地下水流数值模型(visual modflow模拟程序)和ARIMA降水量预测模型(R语言软件),对研究区岩溶地下水资源量和水位动态变化进行模拟和预测。结果表明,现状开采条件下,峰峰矿区岩溶地下水多年平均补给量为8 726. 62万m~3/a,排泄量为8 937. 96万m~3/a,均衡差为-211. 34万m~3/a,处于负均衡状态。随着矿区用水规划的实施和用水结构的调整,预测2018～2025年岩溶地下水位将呈小幅度波动上升趋势,降落漏斗范围明显缩小。研究成果可为峰峰矿区地下水资源的合理开发利用提供依据和参考。     

基于ARIMA模型的余额宝收益率的预测

选取2013年5月30日—2016年7月27日期间的余额宝收益率数据,进行数据处理并建立ARIMA模型,从而预测出余额宝在2016年7月28日—2016年8月21日期间的收益率。通过实际结果与预测结果之间的对比,确定了在允许误差范围内该模型的有效性。     

考虑乘客选择行为的地铁车站承载能力瓶颈识别方法

乘客选择行为引起地铁车站客流量分布动态变化,并导致拥堵的传播,是承载能力瓶颈产生的关键因素之一.通过分析乘客在站服务事件链,构建地铁车站系统中设施设备关联网络.在分析乘客选择行为作用下的关联网络特性的基础上,建立了节点约束下的车站客流分配模型,并引入动态惩罚函数求解该模型,结合求解结果,提出通过节点受影响程度指标来识别能力瓶颈.以上海地铁陆家浜路站为例分析,与StaPass软件的仿真结果进行对比,验证了该方法的可行性和准确性,有助于快速分析不同客流条件下车站客流分布,并确定能力瓶颈.     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.