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.     

月径流序列的多层递阶预报研究

月径流序列是一类具有周期变化的非平稳时间序列．本文根据其特点,建立了多层递阶预报模型,文中对此类非平稳时间序列的建模及预报方法进行了深入研究     

用于时间序列数据建模的多模态模糊认知图

针对单一模型难以准确反映时间序列多种变化模态的问题,提出了一种基于模糊认知图的时间序列数据多模态建模方法.该方法使用随机自助法选取多个子序列,以包含各种变化模态.在各个子序列上分别建立子模糊认知图模型.使用粒计算方法对子模型进行有效融合;并分析了不同权重策略融合的性能.所建立的模型不仅可以对时间序列数据进行数值及区间预...     

基于Kalman滤波的企业财务危机动态预警模型

基于Kalman滤波理论,考虑财务比率在时间序列上的趋势性和历史数据对结果的影响,构建了财务危机的动态预警模型。首先对动态系统的状态进行描述,建立目标的状态模型,该模型是以时间序列来描述的,此外还建立了财务危机预警的测量方程,利用状态空间法描述目标的状态和测量。然后对Kal-man滤波理论在财务危机预警中的适用性进行分析,利用Kalman滤波器对财务危机预警模型的状态进行Matlab程序计算。并且应用极大似然估计对模型进行参数辨识。采用英国和爱尔兰180家样本公司,5～10年时间序列的财务数据作实证研究,结果表明,由年度破产概率值输出的基于Kalman滤波的动态模型优于静态预测模型的新方法。     

状态空间方程在基于效果作战建模中的应用

基于效果作战(EBO)是军事思想的创新成果,但目前这种军事思想仍缺乏具体的应用手段。提出了利用状态空间方程对EBO进行定量描述的方法。首先描述了EBO的状态向量和状态空间,其次确定了系统状态评估模型;然后对状态空间和评估模型进行了离散化和线性化;最后建立了状态最优估计计算模型和最优控制向量计算模型。从而利用状态空间方程完整地描述了EBO的定量计算过程,为EBO的建模与仿真提供了支持。     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

基于神经状态空间的非线性系统建模研究

提出了一种基于神经状态空间的非线性系统建模方法.神经状态空间(NNSP)具有系统的拟线性特性,许多线性系统控制器设计方法均可以扩展到NNSP模型.本文采用了增广卡尔曼滤波方法进行神经状态空间的参数辨识,高阶校验模型用于验证非线性系统神经状态空间的模型的有效性.将本法应用于典型的化学过程的建模,结果表明本方法正确有效.     

灰模型对单调递减序列的适应性与参数估计

对单调递减序列建立GM(1,1)模型,利用数学归纳法证明了GM(1,1)模型的时间响应式和预测式分别与实际的一次累加序列和原始序列的增减趋势吻合,说明了GM(1,1)模型适应于直接对单调递减序列建模,澄清了人们认为GM(1,1)模型只适应单调递增序列的曲解,拓宽了GM(1,1)模型的适用范围,并提出了避免繁琐矩阵计算的参数近似估计方法.最后通过实例证实了此方法的有效性和可行性.     

基于隐马尔可夫模型的突发事件新闻报道的爆发性分析

突发事件新闻报道数量的变化反映了突发事件自身发展态势以及媒体和公众对事件的反应的变化,是应急管理决策信息的重要来源。本文基于隐马尔可夫模型对突发事件新闻报道的爆发性进行了建模,以反映突发事件新闻报道数量的变化趋势。本文还提出了使用时间序列聚类算法去识别突发事件新闻报道数量的演化模式。对28起突发事件新闻报道的实验分析表明,本文提出的爆发性建模方法能够详细和准确地描述突发事件新闻报道数量的变化。此外,本文从这28起突发事件新闻报道数量的时间序列中识别了四类演化模式并分析了每一类的特征。     

分整模型在商品价格预测中的应用

首先介绍了时间序列分析中的一个新领域－长记忆分整模型（ＡＲＦＩＭＡ）,分析了该模型与传统时间序列模型相比较所体现出的优越性,及其参数估计和预测方法。本文所给出的分整模型不仅反映了传统时间序列模型所不能反映的时间序列长记忆性,而且解决了利用传统方法预测商品价格中的过度参数化问题,从而显著提高了商品价格预测的可靠性。文章还给出了实际案例分析。     

基于RBF网络的混沌时间序列的建模与多步预测

提出将RBF神经网络应用于混沌时间序列的建模与预测中 ,设计了一个三层RBF网络结构 ,说明了RBF网络用于混沌时间序列建模和预测时的基本性质。仿真结果表明 ,RBF网络模型对混沌时间序列有比较强的拟合能力和比较高的一步及多步预测精度。采用RBF网络进行混沌时间序列的建模和预测能够取得比其它方法好得多的效果。     

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 .     

基于正交最小二乘的非线性系统模糊辨识

提出了一种新的基于T-S模糊模型的建模方法．该方法是基于输入空间的模糊划分计算给定样本在各模糊子空间的隶属度，并利用正交最小二乘辨识模糊模型的结论参数．最后通过Box-Jenkins煤气炉数据和Mackey-Glass混沌时间序列的仿真结果验证了该方法的有效性与实用性．     

n阶系统的fuzzy推理建模方法研究

把fuzzy推理建模法用于对一般n阶系统的建模中,分别建立了研究对象的输入输出型模型和状态空间型模型.在此基础上,对fuzzy推理建模法做了进一步的推广,分别选用梯形和"三角波"型fuzzy集隶属函数构造系统的微分方程模型,并通过仿真试验对两种模型进行了比较.     

递减序列的灰色建模方法

灰色模型的建模思想是通过灰色生成或序列算子的作用弱化系统的随机性,利用离散的生成序列建立连续或离散的动态微分方程,其中GM(1,1)模型是其核心模型。针对递减序列的建模问题,本文给出了两种模型模拟方法,一种是基于简单均值生成的GOM(1,1)模型,一种是基于反向始点零化的GM(1,1)模型,后一种模型还利用平移量考虑了模型模拟精度,并证明了模型的模拟序列没有放大还原误差。两种模型建模方法的共同点是实现了递减序列的同向模拟,消除了GM(1,1)模型拟合递减序列时,由于其累加生成是递增序列而出现异向拟合的不合理建模误差,最后算例也说明了该建模方法的可操作性和有效性。     

基于空间型马尔科夫链的行程时间估计模型

行程时间不仅与起讫点的需求量有关,而且与道路的空间结构有着密切的联系。传统的马尔科夫链主要应用于时间序列,未考虑空间结构的影响,不能有效地揭示出行行为的空间特征;本文将其应用于空间序列,建立了基于空间型马尔科夫链的道路行程时间的估计模型。该模型首先建立了相邻路段上行程时间的二维散点图,揭示了行程时间具有空间相关性;通过应用空间型马尔可夫链,将相邻路段上行程时间的相关性进行整合,构造出若干条马尔科夫路径,进而对道路的行程时间进行估计。最后,将模型应用到实际道路中,结果表明,模型具有较高的估计精度。     

基于时间序列模型的系统最大值指标评定方法

提出基于时间序列模型的系统最大值指标评定与测算方法,为某些特殊领域,如航空、航天、国防中长周期及强相关系统的最大值指标评定提供理论依据。首先,选择一个合适的时间序列模型,对系统输出的误差序列建模,使模型能够从总体上跟踪实际系统输出;然后,综合考查模型残差序列与模型预测的输出序列,并应用经典统计学理论完成对系统最大值指标的评定与测算。最后,结合差分自回归滑动平均时间序列模型建模方法给出最大值指标评定方法的应用实例,实验结果表明,该方法是可行的。     

基于RBF-HMM模型的时间序列在线预测

针对非线性非高斯时间序列,提出观测噪声服从隐马尔可夫模型(HMM)的径向基函数(RBF)神经网络预测模型—RBF-HMM模型,该模型具有如下两个特点:(1)用隐节点数可变的RBF神经网络对时间序列进行非线性建模;(2)用HMM对非高斯噪声进行建模.并采用序列蒙特卡罗(SMC)方法实现RBF-HMM模型参数的动态调整和时间序列的在线预测.最后采用南京禄口国际机场日旅客吞吐量数据进行实证研究,结果表明该模型的有效性.     

颜色Petri网一种专有协议的描述和验证

介绍了我们在一个网络安全项目中设计的点到点链路层协议,然后利用颜色Petri网和CPN Tools对该协议建模、分析和验证。首先建立了协议模型,然后运用仿真方法和状态空间分析方法考察协议行为特征。通过建模分析方法有助于我们找到协议中的疏漏,体现了协议设计过程中形式化建模和分析方法的优点和遇到的挑战。