高速公路突发事件恢复重建期交通量预测

为了提升高速公路突发事件应急管理能力,为突发事件恢复与重建施工及路网拥堵状况预判提供依据,提出一种高速公路突发事件恢复重建期路网交通量预测方法,利用扩散卷积和序列到序列学习框架模型,结合预定采样技术捕捉时间序列时空相关性,以高速公路联网收费数据为基础,建立路网交通量分配模型,实现对交通量时间精度下的分配;利用扩散卷积递归神经网络(DCRNN)构建高速公路路网交通量预测模型,运用扩散卷积运算来捕捉交通量的空间相关性,并使用预定采样编码器-解码器结构有效解决交通量的时间依赖问题,模型将交通的空间性建模为有向图上的扩散过程,而不是传统的网格划分;并选取自回归滑动平均模型(ARIMA)模型和机器学习BP神经网络模型对模型的准确性及有效性进行了验证。研究结果表明:将河北省石家庄高速公路路网发生突发事件后15d交通量数据做训练集,后7d数据进行验证,迭代60次时,测算每15min间隔内的路网交通量的模型精度达到0.95。提出的模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)更低,能够有效弥补单一化神经网络预测模型仅能做出时序性预测的不足,可显著提高预测结果的精确性和实用性。     

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。     

基于GARCH误差修正的时间序列季节预测模型及应用

针对神经网络、支持向量机等方法对数据样本容量要求较高的问题,以及一般时间序列预测模型对最大负荷等随机因素拟合不足的问题,应用时间序列的季节乘法模型对地区月度最大负荷做预测,并用GARCH模型对预测误差进行修正.用某电网的真实数据作案例,结果表明,误差率仅为2%,预测精度良好.相比修正前的模型,误差率下降0.5%,证明误差修正模型有效.     

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。     

基于仿真和流量估计的服务性交通指标预测

提出了基于应用微观交通仿真模型和短期交通量预测的服务性交通参数预测模型.根据实际的交通系统和研究目的建立应用仿真模型并进行模型参数标定和有效性验证.根据实时采集的交通量采用基于小波分析和ARIMA(Autoregressive Integrated Moving Average)模型的混合模型进行下一时刻的交通量预测.将预测的交通量输入到应用仿真模型,根据仿真输出得到下一时刻的服务性交通参数指标.应用实例表明,该模型能够较好地进行服务性交通参数的预测.     

矿井涌水量时间序列ARIMA预测模型

为对矿井涌水量进行准确预测,以矿井涌水量历史时序数据为基础,提出一种综合自回归移动平均模型.建模时首先需要对涌水量时间序列进行平稳化处理,根据拖尾、截尾情况及BIC数值初步确定一个模型,进行参数估计、假设检验,并作出必要调整,反复循环,直至获得较为满意的ARIMA模型.以东欢坨矿1991年1月到2014年4月月度涌水量进行实验分析,最终建立了ARIMA(1,1,1)预测模型,利用该模型进行预测,最大误差为2.1829%,最小误差仅为0.2885%,模型精度较高,能够很好地满足实际工程需要.研究结果表明:ARIMA模型对矿井涌水量短期预测是可行的.     

基于灰色关联分析的季节性民航货运量预测

为更精确地预测月度航空货运量,提出组合模型预测方法.该模型由季节GM(1,1)和季节ARIMA乘积模型构成,它结合了该2种模型中时间序列预测的优点.灰色模型GM(1,1)能准确反映时间序列的增长趋势;ARIMA乘积模型对季节特征有较好的拟合效果.依据霍尔特温特预测模型计算季节性GM(1,1)模型的季节指数,并用灰色关联分析求出组合预测中的权值.组合预测模型的平均相对误差为0.62%,而季节性GM(1,1)模型和ARIMA乘积模型的平均相对误差分别为4.49%和-3.16%.预测分析结果说明,该模型的非线性曲线拟合精度和预测精度明显高于单个模型,可较好地反映系统的动态性和运量的季节时序关联性,为季节性时间序列预测提供了新的途径.     

基于时序动态分析的油井产量预测研究

针对目前常用的油井产量预测方法效果并不理想的问题，开展时间序列分析来进行油井产量动态预测研究。采用时间序列分析结合残差修正方法，建立具有时序动态分析能力的产量差分自动回归移动平均模型（Autoregressive Integrated Moving Average，ARIMA），得出预测初始值与真实油井产量的残差；通过构建支持向量机（Support Vector Machine，SVM）时序预测模型进行残差修正，获得油井产量组合预测值；并将长短期记忆网络（Long Short-Term Memory，LSTM）模型与上述方法进行对比。实验表明，组合预测模型、LSTM模型的预测结果平均相对误差率分别为9.81%和32.44%。说明组合模型预测更精准，为油井产量的动态预测提供了一种有效方法，可作为油井在生产计划时的快速实时辅助依据，具有实用价值。     

亭南煤矿涌水量时间序列预测研究

矿井水害是影响煤矿安全高效开采的主要地质因素之一,而矿井涌水量的准确预测对煤矿防治水工作具有重要的意义。本文使用时间序列分析软件（SPSS）对亭南煤矿2007年1月-2019年12月月度涌水量数据分析,建立了ARIMA(1,1,1)预测模型,并利用该模型对2020年1月-2020年6月的涌水量数据进行预测,结果表明：与实际涌水量最大相对误差为2.306%,最小相对误差仅为0.464%,模型精度较高,能够很好地对亭南煤矿涌水量进行预测。     

乘积季节模型在商品房市场中的应用研究

主要采用时间序列乘积季节模型(随机季节模型与ARIMA模型的结合式)及多元统计方法,对商品房市场的发展规律进行了研究.通过对合肥市2001年至2005年60个月份的月度商品房销售面积进行实证分析,建立了一个商品房市场销售规律的统计预测模型ARIMA(0,1,1)×(0,1,1)12,并对该模型进行适应性检验,得到较好的结果.最后,利用该模型对该市的房地产发展趋势进行了预测.     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均（ARIMA）时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明：相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。
     

基于Log-ARIMA的道路运行车速预测模型

道路运行车速预测是交通预测的难点,运行车速随交通条件的变化而变化,为提高道路运行车速预测精度,构建了自回归移动平均(ARIMA)时间序列模型,并结合实例对重庆市江北区红黄路早高峰小客车平均运行车速进行了预测。结果表明:相较于传统的线性回归、多项式拟合、指数拟合和模糊线性回归预测模型,ARIMA预测模型的平均绝对误差分别下降了19.1%,50%,6.5%和3.7%;另外,将原始序列取自然对数后再建立ARIMA的Log-ARIMA模型可进一步提高预测精度,预测绝对误差为5.21,与普通ARIMA模型比较,平均相对误差下降了29.9%。     

中国社会消费品零售总额的预测模型

用自回归、移动平均、自回归移动平均模型(ARIMA)拟合分析2002年1月到2008年8月中国社会消费品零售总额,建立预测消费品零售总额的疏系数乘积季节模型,并用该模型预测2008年6~10月的社会消费品零售总额和2009年月度消费品零售总额.模型预测误差率都在0.03以内,估计值与真实值吻合,拟合效果能达到预期的目的.     

基于时间序列分析法的沥青路面使用性能预测

通过分析沥青路面养护维修后使用性能衰变的影响因素,论述了沥青路面养护维修使用性能预测指标及预测模型选择的关键。在此基础上建立了基于时间序列分析法的ARIMA模型,对沥青路面养护维修后使用性能进行预测,并结合连霍高速公路商丘—开封段一定时间间隔内的路面行驶使用性能指数(RQI)监测数据对模型进行了验证。研究结果表明:采用ARIMA模型对沥青路面养护维修后使用性能衰变预测,预测初期精度可控制在5%左右,并给出了置信宽度为95%时预测值的置信区间;随着预测期不断延长,置信区间不断增大即预测精度不断下降,给出了"逐渐淘汰预测期远端样本,植入预测期近端数据"的方法来应对预测精度的下降。     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

SARIMA模型的建模及其信贷预测分析

对自回归单整移动平均季节模型(SARIMA模型)的原理,以及建模思想进行诠释.指出在经济数据中普通存在的季节性问题,并在ARIMA模型基础上提出SARIMA模型.通过对中国人民银行的月度信贷总量资料的建模及预测分析,得到良好的效果.SARIMA(1,1,0)(1,1,1)12模型这一短期预测模型及其短期预测的结果,可为中国人民银行进行信贷政策的制订提供依据.     

ARIMA模型与指数平滑法对山东省GDP的实证分析

文借助Eviews6.0和Excel软件,建立了ARIMA(1,2,1)预测模型和三次指数平滑预测模型,对山东省1978年到2010年国内生产总值(GDP)数据进行分析,并对2011年到2013年的GDP进行预测。结果表明,ARIMA模型预测结果与真实值相比平均相对误差小,结果更为精确,基本符合事实。因此,选择ARIMA(1,2,1)模型作为最优模型为有关部门制定经济发展战略、经济发展规划提供重要依据。     

图书借阅预测的ARIMA乘积季节模型构建及实证分析

本文研究乘积季节模型在我校图书借阅预测中的应用,通过对我校2007年1月到2009年12月的月度图书借阅数据来进行实证分析,采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立了我校图书借阅的乘积季节预测模型ARIMA（4,1,1）（1,1,1）^12。对模型进行诊断检验,结果表明,用该乘积季节模型对我...     

交通量时间序列ARIMA预测技术研究

实时准确的交通流量预测是智能运输系统实现的前提和关键。随着预测时间间隔的进一步缩短，交通流量的不确定性越来越强。作为时域分析方法之一的ARIMA模型，以其理论基础扎实、操作步骤规范、分析结果易于解释的优点，成为时间序列分析的主流方法。文章结合SPSS软件对该预测技术进行研究，并利用某高速公路交通量调查序列进行实证分析。