时间序列模糊滑动预测

在时间序列经典滑动预测基础上,给出了模糊滑动预测方法,并举例说明了它比传统的滑动预测有更强的修匀能力。     

城市公共交通客流量预测序列模型

本文通过广州市公交线路调整研究的实践,设计了一套在计算机上实现的简便实用的城市公交客流量预测序列模型。它包括公交出行产生与吸引、公交山行分布和公交线路分配等3个子模型。输入客流调查和线网的有关数据,便得到一系列评价和比较公交线网布局合理与否的统计指标。     

基于时间序列的铁路客流量预测及票额优化配置

铁路客流量受多因素影响,其时序特征明显,因此,基于平稳时间序列构建客流数据预测模型及单车次多区间票额分配模型,有利于掌握客流动态变化,改善铁路运营压力。实现特征数据抽取系统开发,进行累加、循环、筛选算法等数据预处理;运用多因子方差分析评价多种因素的显著相关性影响,通过ARMA模型进行短时旅客客流量预测,进行模型优化并检验,同时,基于线性规划构建客座率最大化的区间票额分配优化模型。     

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。     

基于XGBoost和GM模型的三亚市旅游客流量预测

旅游客流量的预测受经济发展、季节因素影响等不确定性的影响,以三亚市旅游和文化广电体育局官网2012—2018年的月度统计数据的旅游客流量数据为研究对象,通过模型优选,基于XGB和GM模型对三亚市近7年的旅游客流量进行拟合,并对比两种模式预测的准确度。并在以上两种模式的拟合基础上,通过模型组合,对三亚市未来2019年、2020年的旅游客流量、入境过夜游客数量及旅游收入进行预测。     

基于模糊时间序列的机场旅客周转量预测

本文在分析了各种机场旅客周转量预测模型的基础上,提出了采用模糊预测法的建议,剖析了模糊时间序列预测模型的基本算法,实例验证了模型的有效性,并对双流机场未来5年的客运周转量进行了预测,其结果具有较高的精度,该方法可作为预测航空客运量的有效工具。     

基于时间序列的模糊聚类与规则提取信用评价模型

提出基于多维时间序列模糊聚类与模糊规则提取技术相结合的模糊分类系统,将其应用于信用评价研究.该方法利用投影寻踪技术对多维时间序列数据进行降维处理并进行模糊分类;根据分类结果和最佳投影值提取模糊规则,采用梯形分布法生成三个模糊隶属函数;最后根据计算模糊贴近度确定样本的信用级别.实例证明该方法具有良好的评价效果和实用价值.     

广义模糊时间序列模型模糊区间划分研究

在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.     

一种基于模糊线性方程组的模糊随机时间序列模型

利用模糊系数实变量的线性方程组建立了一种新的模糊随机时间序列模型.模型的求解被转化为一种线性规划问题,它可广泛应用于不确定环境中的各种预报.     

时间序列分析在旅游行业净利润预测中的应用

本文针对旅游行业净利润呈季节性波动的特征,以尽可能准确地预测企业各季度净利润为目的,用时间序列分析及线性回归的方法构建旅游行业季度净利润预测的数学模型。     

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.     

基于LOF-SSA-PSO-LSSVM模型的旅游客流量预测

针对月度旅游客流量影响因素复杂,时间序列数据中可能存在异常值和噪声的特点,提出了一个基于局部异常因子(LOF)和奇异谱分析(SSA)的LOF-SSA-PSO-LSSVM预测模型.数据预处理阶段,对原始序列运用X12季节加法模型消除季节性的影响,采用LOF方法检测季节调整后序列的异常值,并使用线性插值和最小二乘支持向量机(LSSVM)方法来修正异常值,新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段,首先采用奇异谱分析(SSA)方法来剔除新的待预测序列中的噪声,然后采用PSO-LSSVM方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例,通过与ARIMA、LSSVM等模型比较,表明LOF-SSA-PSO-LSSVM模型能有效提高旅游客流量的预测精度和稳定性.     

基于模糊聚类算法的DNA序列分类模型

通过分析DNA序列链之间的关联程度,构造出模糊相似矩阵,计算出传递闭包,获得详细的动态聚类过程.使用该模型的优点是,输入少量参数及阈值,就可以较准确的对DNA序列的集合进行分类.验证该算法的有效性.     

基于ARIMA模型算法的频谱时间序列预测分析

结合频谱时同序列的特点,选择ARIMA模型作为预测模型,通过ARIMA模型算法的流程分析,初步论证预测模型及预测精度的可靠性.     

基于支持向量回归的旅游客流量预测

建立以支持向量回归方法为基础的旅游客流量预测模型。以我国深圳市2002年1月到2005年12月的旅游客流量的月度数据作为学习样本,分别选用两种不同的核函数,对学习样本进行建模和预测,并比较选取不同的两个核函数对样本进行预测的效果,说明支持向量回归用于月度旅游客流量预测的有效性。     

黄山风景区旅游旺季旅客日分布特征的研究

黄山风景区旺季游客日分布具有以下特征：日分布不均，国际劳动节和国庆节期间尤为突出；不同年度游客日分布曲线波形基本相同；不同年度同一月度，客流峰谷日期接近，节假日客流量比非节假日多３０％以上，研究这些特征，对于调控“超载”和“欠载”时段客流规模，预测短期客流量等，具有重要的意义。     

模糊时间序列预测在动态经济系统预测中的应用

研究适合于动态经济系统的预测方法,对指导我国现阶段的经济工作有很大的意义。为尽可能地减少对动态经济系统预测的偏差,将模糊数学的理论应用于预测过程中,应用模糊时间序列预测方法,解决带有模糊信息的动态预测问题,使所得出的预测结果能够更加符合现实的需要。     

基于概率后缀树的股票时间序列预测方法研究

在时间序列符号化基础上,本文引入概率后缀树PST模型,构建基于时间序列符号化和概率后缀树相结合的股票预测模型.本文选择在沪深300的10支股票数据上将预测模型与传统的马尔科夫模型MM和自回归移动平均模型ARMA进行对比,结果显示本文提出的股票预测模型优于MM模型和ARMA模型,验证了本文所提出的预测模型在投资收益上的有效性.     

模糊变量时间序列及其应用

为了解决实际研究过程中模糊数据设定不准确的问题,采用模糊数学方法。应用模糊度说明了数据变量模糊化的重要性,给出了模糊变量和模糊变量时间序列的定义,并用计量经济学和数据挖掘例子说明变量模糊化的必要性。结果表明:研究中的很多数据确实具有模糊特性,模糊变量时间序列的应用有利于得到更客观的计量模型及进行时间序列挖掘。模糊变量时间序列的提出对计量经济学和数据挖掘有一定的参考价值。     

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.